Prétraitement des données
Le prétraitement des données transforme des données brutes, souvent imparfaites ou hétérogènes, en un format exploitable par un algorithme de machine learning. C’est l’étape qui précède l’entraînement, et la plus chronophage dans un projet de data science : sans elle, même le modèle le plus avancé apprend sur du bruit, des incohérences ou des biais.
Elle recouvre plusieurs opérations : le nettoyage (suppression de doublons, correction d’incohérences), la gestion des valeurs manquantes (suppression ou imputation), la normalisation (mise à l’échelle des variables pour qu’aucune ne domine artificiellement les autres), et l’encodage des variables catégorielles (transformer « cadre » / « employé » / « manager » en valeurs numériques exploitables par l’algorithme). Un enjeu particulier concerne les valeurs aberrantes : selon le contexte, elles sont corrigées, supprimées, ou au contraire conservées si elles signalent un cas rare mais significatif — la détection d’anomalies en RH en dépend directement.
En RH, cette étape conditionne la fiabilité de tout modèle prédictif : des données de paie mal nettoyées, des champs « poste occupé » mal harmonisés entre filiales, ou des dates d’ancienneté incohérentes faussent silencieusement un modèle de prédiction de turnover ou de scoring de CV — la qualité du prétraitement pèse souvent plus lourd sur le résultat final que le choix de l’algorithme lui-même.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.