diff --git a/inst/po/de/LC_MESSAGES/R-jaspMachineLearning.mo b/inst/po/de/LC_MESSAGES/R-jaspMachineLearning.mo
index dd4c0944..2e520134 100644
Binary files a/inst/po/de/LC_MESSAGES/R-jaspMachineLearning.mo and b/inst/po/de/LC_MESSAGES/R-jaspMachineLearning.mo differ
diff --git a/inst/po/zh_Hant/LC_MESSAGES/R-jaspMachineLearning.mo b/inst/po/zh_Hant/LC_MESSAGES/R-jaspMachineLearning.mo
index f157aa05..389c0640 100644
Binary files a/inst/po/zh_Hant/LC_MESSAGES/R-jaspMachineLearning.mo and b/inst/po/zh_Hant/LC_MESSAGES/R-jaspMachineLearning.mo differ
diff --git a/inst/qml/translations/jaspMachineLearning-de.qm b/inst/qml/translations/jaspMachineLearning-de.qm
index c7576016..950ce4ab 100644
Binary files a/inst/qml/translations/jaspMachineLearning-de.qm and b/inst/qml/translations/jaspMachineLearning-de.qm differ
diff --git a/inst/qml/translations/jaspMachineLearning-fr.qm b/inst/qml/translations/jaspMachineLearning-fr.qm
index 00419e64..3cdba743 100644
Binary files a/inst/qml/translations/jaspMachineLearning-fr.qm and b/inst/qml/translations/jaspMachineLearning-fr.qm differ
diff --git a/inst/qml/translations/jaspMachineLearning-zh_Hant.qm b/inst/qml/translations/jaspMachineLearning-zh_Hant.qm
index b2376022..7022966a 100644
Binary files a/inst/qml/translations/jaspMachineLearning-zh_Hant.qm and b/inst/qml/translations/jaspMachineLearning-zh_Hant.qm differ
diff --git a/po/QML-de.po b/po/QML-de.po
index cf305507..933a8811 100644
--- a/po/QML-de.po
+++ b/po/QML-de.po
@@ -1751,7 +1751,7 @@ msgstr "Epsilon"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The epsilon parameter in the insensitive-loss function."
-msgstr ""
+msgstr "Der Epsilon-Parameter in der toleranten Verlustfunktion."
 
 msgctxt "SupportVectors|"
 msgid "Support vectors"
@@ -2576,6 +2576,16 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Fuzzy-c-Means-Clustering ist ein weiches Partitionierungsverfahren, das ein "
+"Ergebnis liefert, das den Grad der Zugehörigkeit jeder Beobachtung zu jedem "
+"Cluster enthält. Dadurch können Datenbeobachtungen teilweise mehreren "
+"Clustern zugeordnet werden und ein Maß für die Sicherheit der "
+"Clusterzugehörigkeit angegeben werden. Der Ansatz des Fuzzy-c-Means "
+"ähnelt stark dem des k-Means-Clustering, abgesehen von seinem weichen "
+"Ansatz.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlClusteringHierarchical|"
 msgid ""
@@ -2588,6 +2598,14 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Hierarchisches Clustering ist ein hartes Partitionierungsverfahren, das "
+"darauf abzielt, Daten in mehrere Cluster zu unterteilen, wobei jede "
+"Beobachtung nur einer Gruppe angehört. Die Daten werden so aufgeteilt, dass "
+"der Grad der Ähnlichkeit zwischen zwei Datenbeobachtungen maximal ist, wenn "
+"sie zur selben Gruppe gehören, und minimal, wenn nicht.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlClusteringKMeans|"
 msgid ""
@@ -2600,6 +2618,15 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Nachbarschaftsbasiertes Clustering umfasst eine Reihe von harten "
+"Partitionierungsverfahren, die darauf abzielen, Daten in mehrere Cluster zu "
+"unterteilen, wobei jede Beobachtung nur einer Gruppe angehört. Die Daten "
+"werden so aufgeteilt, dass der Grad der Ähnlichkeit zwischen zwei "
+"Datenbeobachtungen maximal ist, wenn sie zur selben Gruppe gehören, und "
+"minimal, wenn nicht.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlClusteringRandomForest|"
 msgid ""
@@ -2614,6 +2641,17 @@ msgid ""
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
 msgstr ""
+"Random-Forest-Clustering ist ein hartes Partitionierungsverfahren, das "
+"darauf abzielt, Daten in mehrere Cluster zu unterteilen, wobei jede "
+"Beobachtung nur einer Gruppe angehört. Diese Clustering-Methode verwendet "
+"den Random-Forest-Algorithmus auf unüberwachte Weise, wobei die "
+"Ergebnisvariable 'y' auf NULL gesetzt ist. Der Random-Forest-Algorithmus "
+"erzeugt eine Näherungsmatrix, die eine Schätzung des Abstands zwischen "
+"Beobachtungen auf Grundlage der Häufigkeit von Beobachtungen liefert, die "
+"im selben Blattknoten landen.\n"
+"### Annahmen\n"
+"- Die Daten bestehen aus kontinuierlichen Variablen.\n"
+"- (Normalverteilte Daten erleichtern den Clustering-Prozess)."
 
 msgctxt "mlPrediction|"
 msgid "Cases"
@@ -2636,6 +2674,14 @@ msgid ""
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
 msgstr ""
+"Boosting funktioniert, indem dem Ensemble aus Entscheidungsbäumen "
+"nacheinander Merkmale hinzugefügt werden, wobei jedes das vorherige "
+"korrigiert. Boosting versucht, das neue Merkmal an die Residualfehler "
+"anzupassen, die das vorherige Merkmal verursacht hat.\n"
+"### Annahmen\n"
+"- Die Zielvariable ist eine kontinuierliche Variable.\n"
+"- Die Merkmalsvariablen bestehen aus kontinuierlichen, nominalen oder "
+"ordinalen Variablen."
 
 msgctxt "mlRegressionBoosting|"
 msgid "The loss function used."
@@ -2849,14 +2895,21 @@ msgid ""
 "accuracy of the model. Accuracy is assessed for the training (and "
 "validation) set."
 msgstr ""
+"Bei Regression: Plottet den Komplexitätsabzug gegen den MSE (mittleren "
+"quadratischen Fehler) des Modells. Die Genauigkeit wird für das Trainings- "
+"(und Validierungs-) Set bewertet. Bei Klassifikation: Plottet den "
+"Komplexitätsabzug gegen die Klassifikationsgenauigkeit des Modells. Die "
+"Genauigkeit wird für das Trainings- (und Validierungs-) Set bewertet."
 
 msgctxt "ModelOptimization|"
 msgid "Costs of Contraints Violation"
-msgstr ""
+msgstr "Kosten der Verletzung von Nebenbedingungen"
 
 msgctxt "ModelOptimization|"
 msgid "Enables you to use a user-specified cost of constraints violation."
 msgstr ""
+"Ermöglicht es Ihnen, eine benutzerdefinierte Kosten-Verletzung von "
+"Nebenbedingungen zu verwenden."
 
 msgctxt "ModelOptimization|"
 msgid "Violation cost"
@@ -2867,6 +2920,8 @@ msgid ""
 "Enables you to optimize the prediction error on a validation data set with "
 "respect to the cost of constraints violation."
 msgstr ""
+"Ermöglicht es Ihnen, den Vorhersagefehler auf einem Validierungsdatensatz "
+"bezüglich der Kosten der Verletzung von Nebenbedingungen zu optimieren."
 
 #, fuzzy
 msgctxt "ModelOptimization|"
@@ -2878,6 +2933,8 @@ msgid ""
 "Sets the maximum value of the cost of constraints violation to be "
 "considered. At default, this is set to 5."
 msgstr ""
+"Setzt den maximalen Wert der zu berücksichtigenden Kosten der Verletzung "
+"von Nebenbedingungen fest. Standardmäßig ist dieser auf 5 gesetzt."
 
 msgctxt "OptimPlot|"
 msgid ""
@@ -2887,6 +2944,12 @@ msgid ""
 "classification accuracy of the model. Accuracy is assessed for the training "
 "(and validation) set."
 msgstr ""
+"Bei Regression: Plottet die Kosten der Verletzung von Nebenbedingungen "
+"gegen den MSE (mittleren quadratischen Fehler) des Modells. Die Genauigkeit "
+"wird für das Trainings- (und Validierungs-) Set bewertet. Bei Klassifikation: "
+"Plottet die Kosten der Verletzung von Nebenbedingungen gegen die "
+"Klassifikationsgenauigkeit des Modells. Die Genauigkeit wird für das "
+"Trainings- (und Validierungs-) Set bewertet."
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid ""
@@ -2898,6 +2961,13 @@ msgid ""
 "- The features are independent.\n"
 "- The features are normally distributed given the target class."
 msgstr ""
+"Naive Bayes berechnet die bedingten Posterior-Wahrscheinlichkeiten einer "
+"kategorialen Zielvariablen unter gegebenen unabhängigen Prädiktorvariablen "
+"mithilfe der Bayes-Regel.\n"
+"### Annahmen\n"
+"- Die Zielvariable ist eine nominale oder ordinale Variable.\n"
+"- Die Merkmale sind unabhängig.\n"
+"- Die Merkmale sind gegeben die Zielklasse normalverteilt."
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Tables"
@@ -2941,6 +3011,8 @@ msgid ""
 "A positive double controlling the amount of Laplace smoothing applied. The "
 "default (0) disables Laplace smoothing alltogether."
 msgstr ""
+"Ein positives Double, das die Menge der angewendeten Laplace-Glättung "
+"steuert. Der Standardwert (0) deaktiviert die Laplace-Glättung vollständig."
 
 msgctxt "FeatureImportance|"
 msgid "Permutations"
@@ -2950,10 +3022,12 @@ msgctxt "FeatureImportance|"
 msgid ""
 "Sets the number of permutations on which the mean dropout loss is based."
 msgstr ""
+"Legt die Anzahl der Permutationen fest, auf denen der mittlere Dropout-Verlust "
+"basiert."
 
 msgctxt "Description|"
 msgid "Model-Based"
-msgstr ""
+msgstr "Modellbasiert"
 
 msgctxt "Description|"
 msgid "Model-Based Clustering"
@@ -2969,6 +3043,10 @@ msgid ""
 "models. The models are estimated by EM algorithm initialized by hierarchical "
 "model-based agglomerative clustering."
 msgstr ""
+"Modellbasiertes Clustering basiert auf parametrisierten endlichen "
+"Gaußschen Mischmodellen. Die Modelle werden mithilfe des EM-Algorithmus "
+"geschätzt, der durch ein hierarchisches modellbasiertes agglomeratives "
+"Clustering initialisiert wird."
 
 msgctxt "mlClusteringModelBased|"
 msgid "Tables"
@@ -3008,59 +3086,59 @@ msgstr "Auto"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EII"
-msgstr ""
+msgstr "EII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VII"
-msgstr ""
+msgstr "VII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEI"
-msgstr ""
+msgstr "EEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEI"
-msgstr ""
+msgstr "VEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVI"
-msgstr ""
+msgstr "EVI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEE"
-msgstr ""
+msgstr "EEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEE"
-msgstr ""
+msgstr "VEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVE"
-msgstr ""
+msgstr "EVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVE"
-msgstr ""
+msgstr "VVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEV"
-msgstr ""
+msgstr "EEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEV"
-msgstr ""
+msgstr "VEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVV"
-msgstr ""
+msgstr "EVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVV"
-msgstr ""
+msgstr "VVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Choose the model to be fitted in the EM step of the clustering."
-msgstr ""
+msgstr "Wählen Sie das Modell, das im EM-Schritt des Clusterings angepasst werden soll."
 
 msgctxt "mlClusteringModelBased|"
 msgid "Max. iterations"
@@ -3090,6 +3168,10 @@ msgid ""
 "breakdown algoritm from the `ibreakdown` R package. For more details about "
 "this method, see Gosiewska and Biecek (2019)."
 msgstr ""
+"Zeigt eine Zerlegung der Vorhersagen des Modells in Beiträge, die einzelnen "
+"Modellmerkmalen zugeordnet werden können. Diese Funktion verwendet den "
+"Breakdown-Algorithmus aus dem R-Paket `ibreakdown`. Weitere Einzelheiten "
+"zu dieser Methode finden Sie in Gosiewska und Biecek (2019)."
 
 msgctxt "DataSplit|"
 msgid "e.g., testSet"
@@ -3101,7 +3183,7 @@ msgstr "Logistisch / Multinomial"
 
 msgctxt "Description|"
 msgid "Logistic / Multinomial Regression Classification"
-msgstr ""
+msgstr "Logistische / Multinomiale Regressions-Klassifikation"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid ""
@@ -3159,7 +3241,7 @@ msgstr "Cauchit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Complimentary log-log"
-msgstr ""
+msgstr "Komplemäntärer Log-Log"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Log"
@@ -3185,10 +3267,16 @@ msgid ""
 "then be split into a training (and validation if requested) set (0), and a "
 "test set (1) according to your indicator."
 msgstr ""
+"Verwenden Sie eine Indikatorvariable, um Daten für das Testset auszuwählen. "
+"Diese Indikatorvariable sollte eine Spalte vom Typ Skala in Ihren Daten "
+"sein, die nur aus 0 (aus dem Testset ausgeschlossen) und 1 (in das Testset "
+"eingeschlossen) besteht. Die Daten werden dann gemäß Ihrem Indikator in ein "
+"Trainingsset (und auf Wunsch Validierungsset) (0) und ein Testset (1) "
+"aufgeteilt."
 
 msgctxt "ExportResults|"
 msgid "Add probabilities (classification only)"
-msgstr ""
+msgstr "Wahrscheinlichkeiten hinzufügen (nur Klassifikation)"
 
 msgctxt "ExportResults|"
 msgid ""
@@ -3196,14 +3284,17 @@ msgid ""
 "class to the data. For neural networks, this option provides the output of "
 "the final layer."
 msgstr ""
+"Bei Klassifikationsanalysen werden die vorhergesagten Wahrscheinlichkeiten "
+"für jede Klasse an die Daten angehängt. Bei neuronalen Netzwerken liefert "
+"diese Option die Ausgabe der letzten Schicht."
 
 msgctxt "Description|"
 msgid "Supervised Learning"
-msgstr ""
+msgstr "Überwachtes Lernen"
 
 msgctxt "Description|"
 msgid "Unsupervised Learning"
-msgstr ""
+msgstr "Unüberwachtes Lernen"
 
 msgctxt "ModelPerformance|"
 msgid ""
@@ -3213,3 +3304,9 @@ msgid ""
 "the F1-score, support, AUC (area under the ROC curve) and more. For "
 "clustering, these metrics include entropy, Dunn index and more."
 msgstr ""
+"Zeigt verfügbare Modell-Performance-Maße an. Bei Regression umfassen diese "
+"Maße den mittleren quadratischen Fehler (MSE), die Wurzel aus dem mittleren "
+"quadratischen Fehler (RMSE), R<sup>2</sup> und weitere. Bei Klassifikation "
+"umfassen diese Maße Präzision, Sensitivität (Recall), den F1-Score, "
+"Support, AUC (Fläche unter der ROC-Kurve) und weitere. Bei Clustering "
+"umfassen diese Maße Entropie, den Dunn-Index und weitere."
diff --git a/po/QML-fr.po b/po/QML-fr.po
index 2b187552..509501dc 100644
--- a/po/QML-fr.po
+++ b/po/QML-fr.po
@@ -25,7 +25,7 @@ msgstr "Régression"
 
 msgctxt "Description|"
 msgid "Boosting"
-msgstr ""
+msgstr "Boosting"
 
 msgctxt "Description|"
 msgid "Boosting Regression"
@@ -41,11 +41,11 @@ msgstr "Régression par Arbres de Décision"
 
 msgctxt "Description|"
 msgid "K-Nearest Neighbors"
-msgstr ""
+msgstr "K plus proches voisins"
 
 msgctxt "Description|"
 msgid "K-Nearest Neighbors Regression"
-msgstr ""
+msgstr "Régression par K plus proches voisins"
 
 msgctxt "Description|"
 msgid "Neural Network"
@@ -57,7 +57,7 @@ msgstr "Réseau de Neurones pour Regression"
 
 msgctxt "Description|"
 msgid "Random Forest"
-msgstr ""
+msgstr "Forêt aléatoire"
 
 msgctxt "Description|"
 msgid "Random Forest Regression"
@@ -73,19 +73,19 @@ msgstr "Régression linéaire régularisée"
 
 msgctxt "Description|"
 msgid "Support Vector Machine"
-msgstr ""
+msgstr "Machine à vecteurs de support"
 
 msgctxt "Description|"
 msgid "Support Vector Machine Regression"
-msgstr ""
+msgstr "Régression par machine à vecteurs de support"
 
 msgctxt "Description|"
 msgid "Classification"
-msgstr ""
+msgstr "Classification"
 
 msgctxt "Description|"
 msgid "Boosting Classification"
-msgstr ""
+msgstr "Classification par Boosting"
 
 msgctxt "Description|"
 msgid "Decision Tree Classification"
@@ -105,11 +105,11 @@ msgstr "Classification Discriminative Linéaire"
 
 msgctxt "Description|"
 msgid "Neural Network Classification"
-msgstr ""
+msgstr "Classification par réseau de neurones"
 
 msgctxt "Description|"
 msgid "Random Forest Classification"
-msgstr ""
+msgstr "Classification par forêt aléatoire"
 
 msgctxt "Description|"
 msgid "Support Vector Machine Classification"
@@ -121,822 +121,822 @@ msgstr "Partitionnement de données"
 
 msgctxt "Description|"
 msgid "Density-Based"
-msgstr ""
+msgstr "Basé sur la densité"
 
 msgctxt "Description|"
 msgid "Density-Based Clustering"
-msgstr ""
+msgstr "Regroupement basé sur la densité"
 
 msgctxt "Description|"
 msgid "Fuzzy C-Means"
-msgstr ""
+msgstr "Fuzzy C-Means"
 
 msgctxt "Description|"
 msgid "Fuzzy C-Means Clustering"
-msgstr ""
+msgstr "Regroupement par Fuzzy C-Means"
 
 msgctxt "Description|"
 msgid "Hierarchical"
-msgstr ""
+msgstr "Hiérarchique"
 
 msgctxt "Description|"
 msgid "Hierarchical Clustering"
-msgstr ""
+msgstr "Regroupement hiérarchique"
 
 msgctxt "Description|"
 msgid "Neighborhood-Based"
-msgstr ""
+msgstr "Basé sur le voisinage"
 
 msgctxt "Description|"
 msgid "Neighborhood-Based Clustering"
-msgstr ""
+msgstr "Regroupement basé sur le voisinage"
 
 msgctxt "Description|"
 msgid "Random Forest Clustering"
-msgstr ""
+msgstr "Regroupement par forêt aléatoire"
 
 msgctxt "Description|"
 msgid "Prediction"
-msgstr ""
+msgstr "Prédiction"
 
 msgctxt "DataSplit|"
 msgid "Data Split Preferences"
-msgstr ""
+msgstr "Préférences de division des données"
 
 msgctxt "DataSplit|"
 msgid "Holdout Test Data"
-msgstr ""
+msgstr "Données de test (holdout)"
 
 msgctxt "DataSplit|"
 msgid "Sample"
-msgstr ""
+msgstr "Échantillon"
 
 msgctxt "DataSplit|"
 msgid "% of all data"
-msgstr ""
+msgstr "% de toutes les données"
 
 msgctxt "DataSplit|"
 msgid "Add generated indicator to data"
-msgstr ""
+msgstr "Ajouter l'indicateur généré aux données"
 
 msgctxt "DataSplit|"
 msgid "Column name"
-msgstr ""
+msgstr "Nom de la colonne"
 
 msgctxt "DataSplit|"
 msgid "Test set indicator"
-msgstr ""
+msgstr "Indicateur de l'ensemble de test"
 
 msgctxt "DataSplit|"
 msgid "None"
-msgstr ""
+msgstr "Aucun"
 
 msgctxt "DataSplit|"
 msgid "Training and Validation Data"
-msgstr ""
+msgstr "Données d'entraînement et de validation"
 
 msgctxt "DataSplit|"
 msgid "% for validation data"
-msgstr ""
+msgstr "% pour les données de validation"
 
 msgctxt "DataSplit|"
 msgid "K-fold with"
-msgstr ""
+msgstr "K-fold avec"
 
 msgctxt "DataSplit|"
 msgid "folds"
-msgstr ""
+msgstr "folds"
 
 msgctxt "DataSplit|"
 msgid "Leave-one-out"
-msgstr ""
+msgstr "Leave-one-out"
 
 msgctxt "ExportResults|"
 msgid "Export Results"
-msgstr ""
+msgstr "Exporter les résultats"
 
 msgctxt "ExportResults|"
 msgid "Add predictions to data"
-msgstr ""
+msgstr "Ajouter les prédictions aux données"
 
 msgctxt "ExportResults|"
 msgid "Column name"
-msgstr ""
+msgstr "Nom de la colonne"
 
 msgctxt "ExportResults|"
 msgid "e.g., predicted"
-msgstr ""
+msgstr "p. ex., predicted"
 
 msgctxt "ExportResults|"
 msgid "Save as"
-msgstr ""
+msgstr "Enregistrer sous"
 
 msgctxt "ExportResults|"
 msgid "e.g., location/model.jaspML"
-msgstr ""
+msgstr "p. ex., emplacement/modèle.jaspML"
 
 msgctxt "ExportResults|"
 msgid "Save trained model"
-msgstr ""
+msgstr "Enregistrer le modèle entraîné"
 
 msgctxt "mlClassificationBoosting|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationBoosting|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationBoosting|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationBoosting|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationDecisionTree|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationDecisionTree|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationDecisionTree|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationDecisionTree|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationKnn|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationKnn|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationKnn|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationKnn|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationLda|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationLda|"
 msgid "Coefficients"
-msgstr ""
+msgstr "Coefficients"
 
 msgctxt "mlClassificationLda|"
 msgid "Prior and posterior probabilities"
-msgstr ""
+msgstr "Probabilités a priori et a posteriori"
 
 msgctxt "mlClassificationLda|"
 msgid "Class means training data"
-msgstr ""
+msgstr "Moyennes des classes des données d'entraînement"
 
 msgctxt "mlClassificationLda|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationLda|"
 msgid "Linear discriminant matrix"
-msgstr ""
+msgstr "Matrice discriminante linéaire"
 
 msgctxt "mlClassificationLda|"
 msgid "Densities"
-msgstr ""
+msgstr "Densités"
 
 msgctxt "mlClassificationLda|"
 msgid "Scatter plots"
-msgstr ""
+msgstr "Nuages de points"
 
 msgctxt "mlClassificationLda|"
 msgid "Assumption Checks"
-msgstr ""
+msgstr "Vérifications des hypothèses"
 
 msgctxt "mlClassificationLda|"
 msgid "Equality of class means"
-msgstr ""
+msgstr "Égalité des moyennes des classes"
 
 msgctxt "mlClassificationLda|"
 msgid "Equality of covariance matrices"
-msgstr ""
+msgstr "Égalité des matrices de covariance"
 
 msgctxt "mlClassificationLda|"
 msgid "Multicollinearity"
-msgstr ""
+msgstr "Multicolinéarité"
 
 msgctxt "mlClassificationLda|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationLda|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationLda|"
 msgid "Estimation method"
-msgstr ""
+msgstr "Méthode d'estimation"
 
 msgctxt "mlClassificationNeuralNetwork|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationNeuralNetwork|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationNeuralNetwork|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationNeuralNetwork|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationRandomForest|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationRandomForest|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationRandomForest|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationRandomForest|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationSvm|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationSvm|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationSvm|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationSvm|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "K-distance plot"
-msgstr ""
+msgstr "Graphe des distances K"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Epsilon neighborhood size"
-msgstr ""
+msgstr "Taille du voisinage epsilon"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Min. core points"
-msgstr ""
+msgstr "Points centraux min."
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Distance"
-msgstr ""
+msgstr "Distance"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Normal"
-msgstr ""
+msgstr "Normale"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Correlated"
-msgstr ""
+msgstr "Corrélé"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Model Optimization"
-msgstr ""
+msgstr "Optimisation du modèle"
 
 msgctxt "mlClusteringDensityBased|"
 msgid "Fixed"
-msgstr ""
+msgstr "Fixe"
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid "Max. iterations"
-msgstr ""
+msgstr "Itérations max."
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid "Fuzziness parameter"
-msgstr ""
+msgstr "Paramètre de fuzziness"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Dendrogram"
-msgstr ""
+msgstr "Dendrogramme"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Distance"
-msgstr ""
+msgstr "Distance"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Euclidean"
-msgstr ""
+msgstr "Euclidienne"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Pearson"
-msgstr ""
+msgstr "Pearson"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Linkage"
-msgstr ""
+msgstr "Linkage"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Average"
-msgstr ""
+msgstr "Moyenne"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Single"
-msgstr ""
+msgstr "Simple"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Complete"
-msgstr ""
+msgstr "Complète"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Centroid"
-msgstr ""
+msgstr "Centroïde"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Median"
-msgstr ""
+msgstr "Médiane"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Ward.D"
-msgstr ""
+msgstr "Ward.D"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "Ward.D2"
-msgstr ""
+msgstr "Ward.D2"
 
 msgctxt "mlClusteringHierarchical|"
 msgid "McQuitty"
-msgstr ""
+msgstr "McQuitty"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Center type"
-msgstr ""
+msgstr "Type de centre"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Algorithm"
-msgstr ""
+msgstr "Algorithme"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Distance"
-msgstr ""
+msgstr "Distance"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Euclidean"
-msgstr ""
+msgstr "Euclidienne"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Manhattan"
-msgstr ""
+msgstr "Manhattan"
 
 msgctxt "mlClusteringKMeans|"
 msgid "Max. iterations"
-msgstr ""
+msgstr "Itérations max."
 
 msgctxt "mlClusteringKMeans|"
 msgid "Random sets"
-msgstr ""
+msgstr "Ensembles aléatoires"
 
 msgctxt "mlClusteringRandomForest|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClusteringRandomForest|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClusteringRandomForest|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClusteringRandomForest|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClusteringRandomForest|"
 msgid "Trees"
-msgstr ""
+msgstr "Arbres"
 
 msgctxt "mlRegressionBoosting|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionBoosting|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionBoosting|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionBoosting|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlRegressionBoosting|"
 msgid "Loss function"
-msgstr ""
+msgstr "Fonction de perte"
 
 msgctxt "mlRegressionDecisionTree|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionDecisionTree|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionDecisionTree|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionDecisionTree|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlRegressionKnn|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionKnn|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionKnn|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionKnn|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlRegressionNeuralNetwork|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionNeuralNetwork|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionNeuralNetwork|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionNeuralNetwork|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlRegressionRandomForest|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionRandomForest|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionRandomForest|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionRandomForest|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Variable trace"
-msgstr ""
+msgstr "Trace de variables"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Legend"
-msgstr ""
+msgstr "Légende"
 
 msgctxt "mlRegressionRegularized|"
 msgid "λ evaluation"
-msgstr ""
+msgstr "Évaluation de λ"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Convergence threshold"
-msgstr ""
+msgstr "Seuil de convergence"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Penalty"
-msgstr ""
+msgstr "Pénalité"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Lasso"
-msgstr ""
+msgstr "Lasso"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Ridge"
-msgstr ""
+msgstr "Ridge"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Elastic net"
-msgstr ""
+msgstr "Elastic net"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Elastic net parameter (α)"
-msgstr ""
+msgstr "Paramètre elastic net (α)"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Lambda (λ)"
-msgstr ""
+msgstr "Lambda (λ)"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Fixed"
-msgstr ""
+msgstr "Fixe"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Optimized"
-msgstr ""
+msgstr "Optimisé"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Largest λ within 1 SE of min"
-msgstr ""
+msgstr "Plus grand λ à 1 erreur-type du minimum"
 
 msgctxt "mlRegressionSvm|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionSvm|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionSvm|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionSvm|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlPrediction|"
 msgid "Trained model"
-msgstr ""
+msgstr "Modèle entraîné"
 
 msgctxt "mlPrediction|"
 msgid "e.g., location/model.jaspML"
-msgstr ""
+msgstr "p. ex., emplacement/modèle.jaspML"
 
 msgctxt "mlPrediction|"
 msgid "Features"
-msgstr ""
+msgstr "Caractéristiques"
 
 msgctxt "mlPrediction|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlPrediction|"
 msgid "to"
-msgstr ""
+msgstr "à"
 
 msgctxt "Description|"
 msgid "Linear"
-msgstr ""
+msgstr "Linéaire"
 
 msgctxt "Description|"
 msgid "Linear Regression"
-msgstr ""
+msgstr "Régression linéaire"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Shrinkage"
-msgstr ""
+msgstr "Rétrécissement (shrinkage)"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "A shrinkage parameter applied to each tree in the expansion. Also known as "
 "the learning rate or step-size reduction 0.001 to 0.1 usually work, but a "
 "smaller learning rate typically requires more trees."
-msgstr ""
+msgstr "Un paramètre de rétrécissement appliqué à chaque arbre de l'expansion. Également appelé taux d'apprentissage ou réduction de pas. Des valeurs de 0,001 à 0,1 fonctionnent généralement, mais un taux d'apprentissage plus faible nécessite généralement davantage d'arbres."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Interaction depth"
-msgstr ""
+msgstr "Profondeur d'interaction"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "Integer specifying the maximum depth of each tree (i.e., the highest level "
 "of variable interactions allowed. A value of 1 implies an additive model, a "
 "value of 2 implies a model with up to 2-way interactions, etc. Default is 1."
-msgstr ""
+msgstr "Entier spécifiant la profondeur maximale de chaque arbre (c.-à-d. le niveau le plus élevé d'interactions entre variables autorisé). Une valeur de 1 implique un modèle additif, une valeur de 2 implique un modèle avec des interactions jusqu'à deux facteurs, etc. La valeur par défaut est 1."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Min. observations in node"
-msgstr ""
+msgstr "Observations min. dans un nœud"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "Integer specifying the minimum number of observations in the terminal nodes "
 "of the trees. Note that this is the actual number of observations, not the "
 "total weight."
-msgstr ""
+msgstr "Entier spécifiant le nombre minimal d'observations dans les nœuds terminaux des arbres. Notez qu'il s'agit du nombre réel d'observations, et non du poids total."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Training data used per tree"
-msgstr ""
+msgstr "Données d'entraînement utilisées par arbre"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "Select the percentage of training data that is used to train each individual "
 "tree."
-msgstr ""
+msgstr "Sélectionnez le pourcentage de données d'entraînement utilisé pour entraîner chaque arbre individuel."
 
 msgctxt "Deviance|"
 msgid "Deviance"
-msgstr ""
+msgstr "Déviance"
 
 msgctxt "Deviance|"
 msgid "Shows the prediction error plotted against the number of trees."
-msgstr ""
+msgstr "Affiche l'erreur de prédiction tracée en fonction du nombre d'arbres."
 
 msgctxt "ModelOptimization|"
 msgid "Number of Trees"
-msgstr ""
+msgstr "Nombre d'arbres"
 
 msgctxt "ModelOptimization|"
 msgid "Choose how to optimize the model."
-msgstr ""
+msgstr "Choisissez comment optimiser le modèle."
 
 msgctxt "ModelOptimization|"
 msgid "Fixed"
-msgstr ""
+msgstr "Fixe"
 
 msgctxt "ModelOptimization|"
 msgid "Enables you to use a user-specified number of decision trees."
-msgstr ""
+msgstr "Vous permet d'utiliser un nombre d'arbres de décision spécifié par l'utilisateur."
 
 msgctxt "ModelOptimization|"
 msgid "Trees"
-msgstr ""
+msgstr "Arbres"
 
 msgctxt "ModelOptimization|"
 msgid "The number of trees."
-msgstr ""
+msgstr "Le nombre d'arbres."
 
 msgctxt "ModelOptimization|"
 msgid "Optimized"
-msgstr ""
+msgstr "Optimisé"
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Enables you to optimize the prediction error on a validation data set with "
 "respect to the number of trees."
-msgstr ""
+msgstr "Vous permet d'optimiser l'erreur de prédiction sur un ensemble de données de validation par rapport au nombre d'arbres."
 
 msgctxt "ModelOptimization|"
 msgid "Max. trees"
-msgstr ""
+msgstr "Arbres max."
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Sets the maximum number of possible decision trees to be considered. At "
 "default, this is set to 100."
-msgstr ""
+msgstr "Définit le nombre maximal d'arbres de décision possibles à considérer. Par défaut, cette valeur est fixée à 100."
 
 msgctxt "Oob|"
 msgid "Out-of-bag improvement"
-msgstr ""
+msgstr "Amélioration out-of-bag"
 
 msgctxt "Oob|"
 msgid ""
 "Plots the number of trees against the out-of-bag classification accuracy "
 "improvement of the model. Accuracy is assessed for the training set."
-msgstr ""
+msgstr "Trace le nombre d'arbres en fonction de l'amélioration de la précision de classification out-of-bag du modèle. La précision est évaluée sur l'ensemble d'entraînement."
 
 msgctxt "RelativeInfluence|"
 msgid "Relative influence"
-msgstr ""
+msgstr "Influence relative"
 
 msgctxt "RelativeInfluence|"
 msgid "Shows the relative influence of the features."
-msgstr ""
+msgstr "Affiche l'influence relative des caractéristiques."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Min. observations for split"
-msgstr ""
+msgstr "Observations min. pour une division"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "The minimum number of observations that must exist in a node in order for a "
 "split to be attempted."
-msgstr ""
+msgstr "Le nombre minimal d'observations qui doit exister dans un nœud pour qu'une division soit tentée."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Min. observations in terminal"
-msgstr ""
+msgstr "Observations min. en nœud terminal"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The minimum number of observations in any terminal node."
-msgstr ""
+msgstr "Le nombre minimal d'observations dans tout nœud terminal."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Max. interaction depth"
-msgstr ""
+msgstr "Profondeur d'interaction max."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Set the maximum depth of any node of the final tree."
-msgstr ""
+msgstr "Définissez la profondeur maximale de tout nœud de l'arbre final."
 
 msgctxt "AttemptedSplits|"
 msgid "Attempted splits"
-msgstr ""
+msgstr "Divisions tentées"
 
 msgctxt "AttemptedSplits|"
 msgid ""
@@ -944,132 +944,132 @@ msgid ""
 "points, and the number of observations (which are not missing and are of "
 "positive weight) sent left or right by the split. It also shows the "
 "improvement in deviance given by the splits."
-msgstr ""
+msgstr "Affiche les divisions réalisées par l'algorithme, les caractéristiques et les points de division correspondants, ainsi que le nombre d'observations (non manquantes et de poids positif) envoyées à gauche ou à droite par la division. Il montre également l'amélioration de la déviance apportée par les divisions."
 
 msgctxt "AttemptedSplits|"
 msgid "Only show splits in tree"
-msgstr ""
+msgstr "N'afficher que les divisions de l'arbre"
 
 msgctxt "AttemptedSplits|"
 msgid "Remove splits that do not occur in the final tree from the table."
-msgstr ""
+msgstr "Retire du tableau les divisions qui n'apparaissent pas dans l'arbre final."
 
 msgctxt "TreePlot|"
 msgid "Decision tree"
-msgstr ""
+msgstr "Arbre de décision"
 
 msgctxt "TreePlot|"
 msgid "Creates a plot that visualizes the decision tree and its leafs."
-msgstr ""
+msgstr "Crée un graphique qui visualise l'arbre de décision et ses feuilles."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Weights"
-msgstr ""
+msgstr "Pondérations"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Rectangular"
-msgstr ""
+msgstr "Rectangulaire"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Triangular"
-msgstr ""
+msgstr "Triangulaire"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Epanechnikov"
-msgstr ""
+msgstr "Epanechnikov"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Biweight"
-msgstr ""
+msgstr "Biweight"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Triweight"
-msgstr ""
+msgstr "Triweight"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Cosine"
-msgstr ""
+msgstr "Cosinus"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Inverse"
-msgstr ""
+msgstr "Inverse"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Gaussian"
-msgstr ""
+msgstr "Gaussienne"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Rank"
-msgstr ""
+msgstr "Rang"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Optimal"
-msgstr ""
+msgstr "Optimal"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "Sets the weighting scheme for the nearest neighbors. The default rectangular "
 "option results in standard knn, while the other options expand the algorithm "
 "by weighing the nearest neighbors. See also the kknn package."
-msgstr ""
+msgstr "Définit le schéma de pondération des plus proches voisins. L'option rectangulaire par défaut correspond au KNN standard, tandis que les autres options étendent l'algorithme en pondérant les plus proches voisins. Voir également le package kknn."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Distance"
-msgstr ""
+msgstr "Distance"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Euclidian"
-msgstr ""
+msgstr "Euclidienne"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Manhattan"
-msgstr ""
+msgstr "Manhattan"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "The distance metric to be used when determining the similarity between "
 "nearest neighbors. Can be either Euclidean or Manhattan distance."
-msgstr ""
+msgstr "La métrique de distance à utiliser pour déterminer la similarité entre les plus proches voisins. Il peut s'agir de la distance euclidienne ou de la distance de Manhattan."
 
 msgctxt "ModelOptimization|"
 msgid "Number of Nearest Neighbors"
-msgstr ""
+msgstr "Nombre de plus proches voisins"
 
 msgctxt "ModelOptimization|"
 msgid "Enables you to use a user-specified number of nearest neighbors."
-msgstr ""
+msgstr "Vous permet d'utiliser un nombre de plus proches voisins spécifié par l'utilisateur."
 
 msgctxt "ModelOptimization|"
 msgid "Nearest neighbors"
-msgstr ""
+msgstr "Plus proches voisins"
 
 msgctxt "ModelOptimization|"
 msgid "The number of nearest neighbors to be used."
-msgstr ""
+msgstr "Le nombre de plus proches voisins à utiliser."
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Enables you to optimize the prediction error on a validation data set with "
 "respect to the number of nearest neighbors."
-msgstr ""
+msgstr "Vous permet d'optimiser l'erreur de prédiction sur un ensemble de données de validation par rapport au nombre de plus proches voisins."
 
 msgctxt "ModelOptimization|"
 msgid "Max. nearest neighbors"
-msgstr ""
+msgstr "Plus proches voisins max."
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Sets the maximum number of possible nearest neighbors to be considered. At "
 "default, this is set to 10."
-msgstr ""
+msgstr "Définit le nombre maximal de plus proches voisins possibles à considérer. Par défaut, cette valeur est fixée à 10."
 
 msgctxt "OptimPlot|"
 msgid "Mean squared error"
-msgstr ""
+msgstr "Erreur quadratique moyenne"
 
 msgctxt "OptimPlot|"
 msgid "Classification accuracy"
-msgstr ""
+msgstr "Précision de classification"
 
 msgctxt "OptimPlot|"
 msgid ""
@@ -1078,83 +1078,83 @@ msgid ""
 "classification, plots the number of nearest neighbors against the "
 "classification accuracy of the model. Accuracy is assessed for the training "
 "(and validation) set."
-msgstr ""
+msgstr "Pour la régression, trace le nombre de plus proches voisins en fonction de l'erreur quadratique moyenne (MSE) du modèle. La précision est évaluée sur l'ensemble d'entraînement (et de validation). Pour la classification, trace le nombre de plus proches voisins en fonction de la précision de classification du modèle. La précision est évaluée sur l'ensemble d'entraînement (et de validation)."
 
 msgctxt "WeightFunction|"
 msgid "Weight function"
-msgstr ""
+msgstr "Fonction de pondération"
 
 msgctxt "WeightFunction|"
 msgid "Shows how the weights are assigned as a function of the distance."
-msgstr ""
+msgstr "Affiche comment les pondérations sont attribuées en fonction de la distance."
 
 msgctxt "ActivationFunctionPlot|"
 msgid "Activation function"
-msgstr ""
+msgstr "Fonction d'activation"
 
 msgctxt "ActivationFunctionPlot|"
 msgid "Creates a plot of the activation function."
-msgstr ""
+msgstr "Crée un graphique de la fonction d'activation."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Activation function"
-msgstr ""
+msgstr "Fonction d'activation"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Linear"
-msgstr ""
+msgstr "Linéaire"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Binary"
-msgstr ""
+msgstr "Binaire"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Logistic sigmoid"
-msgstr ""
+msgstr "Sigmoïde logistique"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Sine"
-msgstr ""
+msgstr "Sinus"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Inverse tangent"
-msgstr ""
+msgstr "Tangente inverse"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Hyperbolic tangent"
-msgstr ""
+msgstr "Tangente hyperbolique"
 
 msgctxt "AlgorithmicSettings|"
 msgid "ReLU"
-msgstr ""
+msgstr "ReLU"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Softplus"
-msgstr ""
+msgstr "Softplus"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Softsign"
-msgstr ""
+msgstr "Softsign"
 
 msgctxt "AlgorithmicSettings|"
 msgid "ELU"
-msgstr ""
+msgstr "ELU"
 
 msgctxt "AlgorithmicSettings|"
 msgid "LReLU"
-msgstr ""
+msgstr "LReLU"
 
 msgctxt "AlgorithmicSettings|"
 msgid "SiLU"
-msgstr ""
+msgstr "SiLU"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Mish"
-msgstr ""
+msgstr "Mish"
 
 msgctxt "AlgorithmicSettings|"
 msgid "GeLU"
-msgstr ""
+msgstr "GeLU"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
@@ -1176,31 +1176,31 @@ msgid ""
 "- Mish: *f(x) = x * tanh(log(1 + e^x))*\n"
 "- Gaussian: *f(x) = e * (-x^2)*\n"
 "- GeLU: *f(x) = 0.5 * x * (1 + tanh(sqrt(2 / pi) * (x + 0.044715 * x^3)))*"
-msgstr ""
+msgstr "Définit la fonction d'activation du signal dans chaque couche cachée. Les options disponibles sont : - linéaire : *f(x) = x* - binaire : *f(x) = 0 si x < 0, 1 si x > 0* - sigmoïde logistique : *f(x) = 1 / (1 + e^(-x))* - sinus : *f(x) = sin(x)* - cosinus : *f(x) = cos(x)* - tangente inverse : *f(x) = arctan(x)* - tangente hyperbolique : *f(x) = tanh(x)* - ReLU : *f(x) = 0 si x < 0, x si x > 0* - Softplus : *f(x) = log(1 + e^x)* - Softsign : *f(x) = x / (abs(x) + 1)* - ELU : *f(x) = e^x - 1 si x <= 0, x si x > 0* - LReLU : *f(x) = 0.01 * x si x < 0, x si x > 0* - SiLU : *f(x) = x / (1 + e^(-x))* - Mish : *f(x) = x * tanh(log(1 + e^x))* - gaussienne : *f(x) = e * (-x^2)* - GeLU : *f(x) = 0.5 * x * (1 + tanh(sqrt(2 / pi) * (x + 0.044715 * x^3)))*"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Algorithm"
-msgstr ""
+msgstr "Algorithme"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Backpropagation"
-msgstr ""
+msgstr "Rétropropagation"
 
 msgctxt "AlgorithmicSettings|"
 msgid "rprop+"
-msgstr ""
+msgstr "rprop+"
 
 msgctxt "AlgorithmicSettings|"
 msgid "rprop-"
-msgstr ""
+msgstr "rprop-"
 
 msgctxt "AlgorithmicSettings|"
 msgid "grprop-sag"
-msgstr ""
+msgstr "grprop-sag"
 
 msgctxt "AlgorithmicSettings|"
 msgid "grprop-slr"
-msgstr ""
+msgstr "grprop-slr"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
@@ -1212,232 +1212,232 @@ msgid ""
 "smallest absolute gradient, or `gprop-slr` for the globally convergent "
 "algorithm that modifies the learning rate associated with the smallest "
 "learning rate itself."
-msgstr ""
+msgstr "Définit l'algorithme d'entraînement du réseau. L'option rétropropagation est standard pour l'entraînement des réseaux de neurones, mais d'autres options existent : `rprop+` (par défaut) pour la rétropropagation résiliente avec retour en arrière, `rprop-` pour la rétropropagation résiliente sans retour en arrière, `gprop-sag` pour l'algorithme globalement convergent qui modifie le taux d'apprentissage associé au plus petit gradient absolu, ou `gprop-slr` pour l'algorithme globalement convergent qui modifie le taux d'apprentissage associé au plus petit taux d'apprentissage lui-même."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Learning rate"
-msgstr ""
+msgstr "Taux d'apprentissage"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The learning rate used by the backpropagation algorithm."
-msgstr ""
+msgstr "Le taux d'apprentissage utilisé par l'algorithme de rétropropagation."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Loss function"
-msgstr ""
+msgstr "Fonction de perte"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Sum of squares"
-msgstr ""
+msgstr "Somme des carrés"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Cross-entropy"
-msgstr ""
+msgstr "Entropie croisée"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The loss function used."
-msgstr ""
+msgstr "La fonction de perte utilisée."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Stopping criteria loss function"
-msgstr ""
+msgstr "Fonction de perte pour les critères d'arrêt"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "The threshold for the partial derivatives of the error function as stopping "
 "criteria."
-msgstr ""
+msgstr "Le seuil pour les dérivées partielles de la fonction d'erreur comme critères d'arrêt."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Max. training repetitions"
-msgstr ""
+msgstr "Répétitions d'entraînement max."
 
 msgctxt "AlgorithmicSettings|"
 msgid "The maximum number of repetitions used in training the network."
-msgstr ""
+msgstr "Le nombre maximal de répétitions utilisé lors de l'entraînement du réseau."
 
 msgctxt "Coefficients|"
 msgid "Network weights"
-msgstr ""
+msgstr "Pondérations du réseau"
 
 msgctxt "Coefficients|"
 msgid ""
 "Shows the connections in the neural network together with their weights."
-msgstr ""
+msgstr "Affiche les connexions du réseau de neurones avec leurs pondérations."
 
 msgctxt "ModelOptimization|"
 msgid "Network Topology"
-msgstr ""
+msgstr "Topologie du réseau"
 
 msgctxt "ModelOptimization|"
 msgid "Manual"
-msgstr ""
+msgstr "Manuel"
 
 msgctxt "ModelOptimization|"
 msgid "Specify the nodes in each hidden layer of the neural network."
-msgstr ""
+msgstr "Spécifiez les nœuds de chaque couche cachée du réseau de neurones."
 
 msgctxt "ModelOptimization|"
 msgid "Nodes"
-msgstr ""
+msgstr "Nœuds"
 
 msgctxt "ModelOptimization|"
 msgid "Hidden layer "
-msgstr ""
+msgstr "Couche cachée "
 
 msgctxt "ModelOptimization|"
 msgid "Optimize the topology of the network using a genetic algorithm."
-msgstr ""
+msgstr "Optimisez la topologie du réseau à l'aide d'un algorithme génétique."
 
 msgctxt "ModelOptimization|"
 msgid "Population size"
-msgstr ""
+msgstr "Taille de la population"
 
 msgctxt "ModelOptimization|"
 msgid "Size of population used in genetic optimization."
-msgstr ""
+msgstr "Taille de la population utilisée dans l'optimisation génétique."
 
 msgctxt "ModelOptimization|"
 msgid "Generations"
-msgstr ""
+msgstr "Générations"
 
 msgctxt "ModelOptimization|"
 msgid "Number of generations used in genetic optimization."
-msgstr ""
+msgstr "Nombre de générations utilisé dans l'optimisation génétique."
 
 msgctxt "ModelOptimization|"
 msgid "Max. number of layers"
-msgstr ""
+msgstr "Nombre max. de couches"
 
 msgctxt "ModelOptimization|"
 msgid "Max. nodes in each layer"
-msgstr ""
+msgstr "Nœuds max. dans chaque couche"
 
 msgctxt "ModelOptimization|"
 msgid "Parent selection"
-msgstr ""
+msgstr "Sélection des parents"
 
 msgctxt "ModelOptimization|"
 msgid "Roulette wheel"
-msgstr ""
+msgstr "Roue de la fortune"
 
 msgctxt "ModelOptimization|"
 msgid "Universal"
-msgstr ""
+msgstr "Universelle"
 
 msgctxt "ModelOptimization|"
 msgid "Rank"
-msgstr ""
+msgstr "Rang"
 
 msgctxt "ModelOptimization|"
 msgid "Tournament"
-msgstr ""
+msgstr "Tournoi"
 
 msgctxt "ModelOptimization|"
 msgid "Random"
-msgstr ""
+msgstr "Aléatoire"
 
 msgctxt "ModelOptimization|"
 msgid "How to select suviving networks."
-msgstr ""
+msgstr "Comment sélectionner les réseaux survivants."
 
 msgctxt "ModelOptimization|"
 msgid "Candidates"
-msgstr ""
+msgstr "Candidats"
 
 msgctxt "ModelOptimization|"
 msgid "Number of candidates for tournament selection"
-msgstr ""
+msgstr "Nombre de candidats pour la sélection par tournoi"
 
 msgctxt "ModelOptimization|"
 msgid "Crossover method"
-msgstr ""
+msgstr "Méthode de croisement"
 
 msgctxt "ModelOptimization|"
 msgid "Uniform"
-msgstr ""
+msgstr "Uniforme"
 
 msgctxt "ModelOptimization|"
 msgid "One-point"
-msgstr ""
+msgstr "Un point"
 
 msgctxt "ModelOptimization|"
 msgid "Multi-point"
-msgstr ""
+msgstr "Multi-points"
 
 msgctxt "ModelOptimization|"
 msgid "How to crossover two candidate networks."
-msgstr ""
+msgstr "Comment croiser deux réseaux candidats."
 
 msgctxt "ModelOptimization|"
 msgid "Mutations"
-msgstr ""
+msgstr "Mutations"
 
 msgctxt "ModelOptimization|"
 msgid "Reset"
-msgstr ""
+msgstr "Réinitialiser"
 
 msgctxt "ModelOptimization|"
 msgid "Swap"
-msgstr ""
+msgstr "Échanger"
 
 msgctxt "ModelOptimization|"
 msgid "Scramble"
-msgstr ""
+msgstr "Mélanger"
 
 msgctxt "ModelOptimization|"
 msgid "Inversion"
-msgstr ""
+msgstr "Inversion"
 
 msgctxt "ModelOptimization|"
 msgid "How to mutate a network."
-msgstr ""
+msgstr "Comment muter un réseau."
 
 msgctxt "ModelOptimization|"
 msgid "Probability"
-msgstr ""
+msgstr "Probabilité"
 
 msgctxt "ModelOptimization|"
 msgid "The mutation probability of a random network in each generation."
-msgstr ""
+msgstr "La probabilité de mutation d'un réseau aléatoire à chaque génération."
 
 msgctxt "ModelOptimization|"
 msgid "Survival method"
-msgstr ""
+msgstr "Méthode de survie"
 
 msgctxt "ModelOptimization|"
 msgid "Fitness-based"
-msgstr ""
+msgstr "Basée sur l'aptitude"
 
 msgctxt "ModelOptimization|"
 msgid "Age-based"
-msgstr ""
+msgstr "Basée sur l'âge"
 
 msgctxt "ModelOptimization|"
 msgid "How to choose which networks survive and die in a generation."
-msgstr ""
+msgstr "Comment choisir les réseaux qui survivent et ceux qui meurent à chaque génération."
 
 msgctxt "ModelOptimization|"
 msgid "Elitism"
-msgstr ""
+msgstr "Élitisme"
 
 msgctxt "ModelOptimization|"
 msgid "Keep top networks from dying out."
-msgstr ""
+msgstr "Empêche les meilleurs réseaux de disparaître."
 
 msgctxt "ModelOptimization|"
 msgid "Percentage of top networks to keep."
-msgstr ""
+msgstr "Pourcentage des meilleurs réseaux à conserver."
 
 msgctxt "NetworkPlot|"
 msgid "Network structure"
-msgstr ""
+msgstr "Structure du réseau"
 
 msgctxt "NetworkPlot|"
 msgid ""
 "Creates a plot that visualizes the structure (nodes and edges) of the "
 "network."
-msgstr ""
+msgstr "Crée un graphique qui visualise la structure (nœuds et arêtes) du réseau."
 
 msgctxt "OptimPlot|"
 msgid ""
@@ -1447,304 +1447,304 @@ msgid ""
 "accuracy of the population of neural networks against the number of "
 "generations in the evoluationary optimization algorithm. Accuracy is "
 "assessed for the training (and validation) set."
-msgstr ""
+msgstr "Pour la régression, trace l'erreur quadratique moyenne moyenne de la population de réseaux de neurones en fonction du nombre de générations de l'algorithme d'optimisation évolutive. Pour la classification, trace la précision de classification moyenne de la population de réseaux de neurones en fonction du nombre de générations de l'algorithme d'optimisation évolutive. La précision est évaluée sur l'ensemble d'entraînement (et de validation)."
 
 msgctxt "AccuracyDecrease|"
 msgid "Mean decrease in accuracy"
-msgstr ""
+msgstr "Diminution moyenne de la précision"
 
 msgctxt "AccuracyDecrease|"
 msgid ""
 "Displays a figure with the mean decrease in accuracy per feature in the "
 "model."
-msgstr ""
+msgstr "Affiche une figure avec la diminution moyenne de la précision par caractéristique dans le modèle."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Features per split"
-msgstr ""
+msgstr "Caractéristiques par division"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Auto"
-msgstr ""
+msgstr "Auto"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Manual"
-msgstr ""
+msgstr "Manuel"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "Set the number of feature variables that is used within each split in the "
 "decision trees. Defaults to auto."
-msgstr ""
+msgstr "Définissez le nombre de variables caractéristiques utilisé dans chaque division des arbres de décision. La valeur par défaut est auto."
 
 msgctxt "AlgorithmicSettings|"
 msgid "The number of feature variables in each split."
-msgstr ""
+msgstr "Le nombre de variables caractéristiques dans chaque division."
 
 msgctxt "ModelOptimization|"
 msgid "The number of trees to be used."
-msgstr ""
+msgstr "Le nombre d'arbres à utiliser."
 
 msgctxt "NodePurity|"
 msgid "Total increase in node purity"
-msgstr ""
+msgstr "Augmentation totale de la pureté des nœuds"
 
 msgctxt "NodePurity|"
 msgid ""
 "Displays a figure with total increase in node purity per feature in the "
 "model."
-msgstr ""
+msgstr "Affiche une figure avec l'augmentation totale de la pureté des nœuds par caractéristique dans le modèle."
 
 msgctxt "Oob|"
 msgid "Out-of-bag error"
-msgstr ""
+msgstr "Erreur out-of-bag"
 
 msgctxt "Oob|"
 msgid "Out-of-bag accuracy"
-msgstr ""
+msgstr "Précision out-of-bag"
 
 msgctxt "Oob|"
 msgid ""
 "Plots the number of trees against the out-of-bag mean squared error "
 "(regression) or accuracy (classification) of the model."
-msgstr ""
+msgstr "Trace le nombre d'arbres en fonction de l'erreur quadratique moyenne out-of-bag (régression) ou de la précision (classification) du modèle."
 
 msgctxt "CoefficientTable|"
 msgid "Coefficients"
-msgstr ""
+msgstr "Coefficients"
 
 msgctxt "CoefficientTable|"
 msgid "Shows a table containing the regression coefficients."
-msgstr ""
+msgstr "Affiche un tableau contenant les coefficients de régression."
 
 msgctxt "CoefficientTable|"
 msgid "Confidence interval"
-msgstr ""
+msgstr "Intervalle de confiance"
 
 msgctxt "CoefficientTable|"
 msgid "Display confidence intervals around estimated regression coefficients."
-msgstr ""
+msgstr "Affiche les intervalles de confiance autour des coefficients de régression estimés."
 
 msgctxt "CoefficientTable|"
 msgid "The confidence level for the interval."
-msgstr ""
+msgstr "Le niveau de confiance de l'intervalle."
 
 msgctxt "CoefficientTable|"
 msgid "Display equation"
-msgstr ""
+msgstr "Afficher l'équation"
 
 msgctxt "CoefficientTable|"
 msgid ""
 "Display the regression equation with the estimated values of the "
 "coefficients."
-msgstr ""
+msgstr "Afficher l'équation de régression avec les valeurs estimées des coefficients."
 
 msgctxt "Intercept|"
 msgid "Include intercept"
-msgstr ""
+msgstr "Inclure l'ordonnée à l'origine"
 
 msgctxt "Intercept|"
 msgid "Whether to include an intercept in the regression formula."
-msgstr ""
+msgstr "Indique s'il faut inclure une ordonnée à l'origine dans la formule de régression."
 
 msgctxt "VariablesFormRegularizedRegression|"
 msgid "Target"
-msgstr ""
+msgstr "Cible"
 
 msgctxt "VariablesFormRegularizedRegression|"
 msgid "In this box, the variable that needs to be predicted should be entered."
-msgstr ""
+msgstr "Dans cette boîte, la variable à prédire doit être saisie."
 
 msgctxt "VariablesFormRegularizedRegression|"
 msgid "Features"
-msgstr ""
+msgstr "Caractéristiques"
 
 msgctxt "VariablesFormRegularizedRegression|"
 msgid ""
 "In this box, the variables that provide information about the target "
 "variable should be entered."
-msgstr ""
+msgstr "Dans cette boîte, les variables qui fournissent des informations sur la variable cible doivent être saisies."
 
 msgctxt "VariablesFormRegularizedRegression|"
 msgid "Weights"
-msgstr ""
+msgstr "Pondérations"
 
 msgctxt "VariablesFormRegularizedRegression|"
 msgid ""
 "In this box, an optional variable containing case weights can be entered."
-msgstr ""
+msgstr "Dans cette boîte, une variable facultative contenant des pondérations de cas peut être saisie."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Radial"
-msgstr ""
+msgstr "Radiale"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Polynomial"
-msgstr ""
+msgstr "Polynomiale"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Sigmoid"
-msgstr ""
+msgstr "Sigmoïde"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "The kernel used in training and predicting. Possible kernels are 'linear', "
 "'radial', 'polynomial', and 'sigmoid'."
-msgstr ""
+msgstr "Le noyau utilisé pour l'entraînement et la prédiction. Les noyaux possibles sont « linear », « radial », « polynomial » et « sigmoid »."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Degree"
-msgstr ""
+msgstr "Degré"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The degree of polynomial used."
-msgstr ""
+msgstr "Le degré du polynôme utilisé."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Gamma parameter"
-msgstr ""
+msgstr "Paramètre gamma"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The gamma parameter used."
-msgstr ""
+msgstr "Le paramètre gamma utilisé."
 
 msgctxt "AlgorithmicSettings|"
 msgid "r parameter"
-msgstr ""
+msgstr "Paramètre r"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The complexity parameter used."
-msgstr ""
+msgstr "Le paramètre de complexité utilisé."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Tolerance of termination criterion"
-msgstr ""
+msgstr "Tolérance du critère de terminaison"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The tolerance of termination criterion."
-msgstr ""
+msgstr "La tolérance du critère de terminaison."
 
 msgctxt "AlgorithmicSettings|"
 msgid "Epsilon"
-msgstr ""
+msgstr "Epsilon"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The epsilon parameter in the insensitive-loss function."
-msgstr ""
+msgstr "Le paramètre epsilon de la fonction de perte insensible."
 
 msgctxt "SupportVectors|"
 msgid "Support vectors"
-msgstr ""
+msgstr "Vecteurs de support"
 
 msgctxt "SupportVectors|"
 msgid ""
 "Shows a table containing the data (points) indicated as support vectors by "
 "the algorithm."
-msgstr ""
+msgstr "Affiche un tableau contenant les données (points) désignées comme vecteurs de support par l'algorithme."
 
 msgctxt "AndrewsCurve|"
 msgid "Andrews curves"
-msgstr ""
+msgstr "Courbes d'Andrews"
 
 msgctxt "AndrewsCurve|"
 msgid ""
 "Is a way to visualize structure in high-dimensional data. Lines that cluster "
 "are observations that are more alike."
-msgstr ""
+msgstr "Est un moyen de visualiser la structure de données de grande dimension. Les lignes qui se regroupent sont des observations plus semblables."
 
 msgctxt "ClusterDensity|"
 msgid "Cluster densities"
-msgstr ""
+msgstr "Densités des clusters"
 
 msgctxt "ClusterDensity|"
 msgid ""
 "For each feature variable, generates a plot showing the overlapping "
 "densities for the clusters."
-msgstr ""
+msgstr "Pour chaque variable caractéristique, génère un graphique montrant les densités qui se chevauchent pour les clusters."
 
 msgctxt "ClusterDensity|"
 msgid "Group into one figure"
-msgstr ""
+msgstr "Regrouper dans une seule figure"
 
 msgctxt "ClusterDensity|"
 msgid "Group the density plots per feature into a single figure."
-msgstr ""
+msgstr "Regroupe les graphiques de densité par caractéristique dans une seule figure."
 
 msgctxt "ClusterMatrix|"
 msgid "Cluster matrix plot"
-msgstr ""
+msgstr "Graphique de matrice des clusters"
 
 msgctxt "ClusterMatrix|"
 msgid ""
 "Creates a *n* x *n* plot that visualizes to which cluster every observation "
 "belongs according to the current model."
-msgstr ""
+msgstr "Crée un graphique *n* x *n* qui visualise le cluster auquel chaque observation appartient selon le modèle actuel."
 
 msgctxt "ClusterMeans|"
 msgid "Cluster means"
-msgstr ""
+msgstr "Moyennes des clusters"
 
 msgctxt "ClusterMeans|"
 msgid ""
 "Creates a plot that visualizes and compares the mean of the feature "
 "variables in each cluster."
-msgstr ""
+msgstr "Crée un graphique qui visualise et compare la moyenne des variables caractéristiques dans chaque cluster."
 
 msgctxt "ClusterMeans|"
 msgid "Display barplot"
-msgstr ""
+msgstr "Afficher le graphique en barres"
 
 msgctxt "ClusterMeans|"
 msgid "Transform the cluster mean figure into a barplot."
-msgstr ""
+msgstr "Transforme le graphique des moyennes des clusters en graphique en barres."
 
 msgctxt "ClusterMeans|"
 msgid "Group into one figure"
-msgstr ""
+msgstr "Regrouper dans une seule figure"
 
 msgctxt "ClusterMeans|"
 msgid "Group the plots per feature into a single figure."
-msgstr ""
+msgstr "Regroupe les graphiques par caractéristique dans une seule figure."
 
 msgctxt "DataSplit|"
 msgid "Data split"
-msgstr ""
+msgstr "Division des données"
 
 msgctxt "DataSplit|"
 msgid ""
 "Shows how the data is split into training (and validation), and test set."
-msgstr ""
+msgstr "Affiche comment les données sont réparties entre l'ensemble d'entraînement (et de validation) et l'ensemble de test."
 
 msgctxt "DecisionBoundary|"
 msgid "Decision boundary matrix"
-msgstr ""
+msgstr "Matrice des frontières de décision"
 
 msgctxt "DecisionBoundary|"
 msgid ""
 "Creates a *n* x *n* plot that visualizes how every observation would be "
 "classified if predicted through the current model. Boundaries between "
 "classes are visualized. Can only be made for numeric features."
-msgstr ""
+msgstr "Crée un graphique *n* x *n* qui visualise comment chaque observation serait classée si elle était prédite par le modèle actuel. Les frontières entre les classes sont visualisées. Ne peut être créé que pour des caractéristiques numériques."
 
 msgctxt "DecisionBoundary|"
 msgid "Legend"
-msgstr ""
+msgstr "Légende"
 
 msgctxt "DecisionBoundary|"
 msgid "Show a legend next to the figure."
-msgstr ""
+msgstr "Affiche une légende à côté du graphique."
 
 msgctxt "DecisionBoundary|"
 msgid "Add data points"
-msgstr ""
+msgstr "Ajouter des points de données"
 
 msgctxt "DecisionBoundary|"
 msgid "Show the observations in the data set as points in the plot."
-msgstr ""
+msgstr "Affiche les observations du jeu de données sous forme de points dans le graphique."
 
 msgctxt "ElbowMethod|"
 msgid "Elbow method"
-msgstr ""
+msgstr "Méthode du coude"
 
 msgctxt "ElbowMethod|"
 msgid ""
@@ -1752,29 +1752,29 @@ msgid ""
 "number of clusters on the x-axis. This plot can be used for determining the "
 "optimal number of clusters. The plot shows three curves using AIC, BIC, and "
 "'elbow method' optimization."
-msgstr ""
+msgstr "Génère un graphique avec la somme des carrés intra-cluster totale sur l'axe des y et le nombre de clusters sur l'axe des x. Ce graphique peut être utilisé pour déterminer le nombre optimal de clusters. Le graphique montre trois courbes utilisant l'optimisation AIC, BIC et « méthode du coude »."
 
 msgctxt "PredictivePerformance|"
 msgid "Predictive performance"
-msgstr ""
+msgstr "Performance prédictive"
 
 msgctxt "PredictivePerformance|"
 msgid ""
 "Plots the true values of the observations in the test set against their "
 "predicted values."
-msgstr ""
+msgstr "Trace les valeurs réelles des observations de l'ensemble de test en fonction de leurs valeurs prédites."
 
 msgctxt "RocCurve|"
 msgid "ROC curves"
-msgstr ""
+msgstr "Courbes ROC"
 
 msgctxt "RocCurve|"
 msgid "Displays ROC curves for each class predicted against all other classes."
-msgstr ""
+msgstr "Affiche les courbes ROC pour chaque classe prédite par rapport à toutes les autres classes."
 
 msgctxt "Tsne|"
 msgid "t-SNE cluster plot"
-msgstr ""
+msgstr "Graphique de clusters t-SNE"
 
 msgctxt "Tsne|"
 msgid ""
@@ -1786,39 +1786,39 @@ msgid ""
 "distances between observations and clusters. To recreate the same t-SNE plot "
 "across several clustering analyses you can set their seed to the same value, "
 "as the t-SNE algorithm uses random starting values."
-msgstr ""
+msgstr "Génère un graphique t-SNE de la sortie du regroupement. Les graphiques t-SNE sont utilisés pour visualiser des données de grande dimension dans un espace de faible dimension à deux dimensions afin d'illustrer les distances relatives entre les observations de données. L'espace bidimensionnel du t-SNE rend les axes non interprétables. Un graphique t-SNE vise à donner une impression des distances relatives entre les observations et les clusters. Pour recréer le même graphique t-SNE sur plusieurs analyses de regroupement, vous pouvez régler leur graine sur la même valeur, car l'algorithme t-SNE utilise des valeurs de départ aléatoires."
 
 msgctxt "Tsne|"
 msgid "Legend"
-msgstr ""
+msgstr "Légende"
 
 msgctxt "Tsne|"
 msgid "Show a legend next to the figure."
-msgstr ""
+msgstr "Affiche une légende à côté du graphique."
 
 msgctxt "Tsne|"
 msgid "Add data labels"
-msgstr ""
+msgstr "Ajouter des étiquettes de données"
 
 msgctxt "Tsne|"
 msgid ""
 "Add the row numbers of the observations in the data set as labels to the "
 "plot."
-msgstr ""
+msgstr "Ajouter les numéros de ligne des observations du jeu de données comme étiquettes au graphique."
 
 msgctxt "ClassProportions|"
 msgid "Class proportions"
-msgstr ""
+msgstr "Proportions des classes"
 
 msgctxt "ClassProportions|"
 msgid ""
 "Displays a table that shows the proportions of each class in the data set, "
 "training (and validaton), and test set."
-msgstr ""
+msgstr "Affiche un tableau montrant les proportions de chaque classe dans le jeu de données, l'ensemble d'entraînement (et de validation) et l'ensemble de test."
 
 msgctxt "ClusterInfo|"
 msgid "Cluster information"
-msgstr ""
+msgstr "Informations sur le cluster"
 
 msgctxt "ClusterInfo|"
 msgid ""
@@ -1826,144 +1826,144 @@ msgid ""
 "cluster heterogeneity. The latter is the cluster within sum of squares "
 "divided by its total over the various clusters. These outputs are shown by "
 "default."
-msgstr ""
+msgstr "Affiche la taille de chaque cluster et la proportion expliquée de l'hétérogénéité intra-cluster. Cette dernière correspond à la somme des carrés intra-cluster du cluster divisée par son total sur les différents clusters. Ces résultats sont affichés par défaut."
 
 msgctxt "ClusterInfo|"
 msgid "Within sum of squares"
-msgstr ""
+msgstr "Somme des carrés intra-cluster"
 
 msgctxt "ClusterInfo|"
 msgid ""
 "Adds a row with the within sum of squares of each cluster to the table. This "
 "option is selected by default."
-msgstr ""
+msgstr "Ajoute une ligne avec la somme des carrés intra-cluster de chaque cluster au tableau. Cette option est sélectionnée par défaut."
 
 msgctxt "ClusterInfo|"
 msgid "Silhouette score"
-msgstr ""
+msgstr "Score de silhouette"
 
 msgctxt "ClusterInfo|"
 msgid "Adds a row with the silhouette score of each cluster to the table."
-msgstr ""
+msgstr "Ajoute une ligne avec le score de silhouette de chaque cluster au tableau."
 
 msgctxt "ClusterInfo|"
 msgid "Centers"
-msgstr ""
+msgstr "Centres"
 
 msgctxt "ClusterInfo|"
 msgid ""
 "Adds a row with the center per feature of each cluster to the table. The "
 "center can be the mean, median or mode depending on the clustering algorithm."
-msgstr ""
+msgstr "Ajoute une ligne avec le centre par caractéristique de chaque cluster au tableau. Le centre peut être la moyenne, la médiane ou le mode selon l'algorithme de regroupement."
 
 msgctxt "ClusterInfo|"
 msgid "Between sum of squares"
-msgstr ""
+msgstr "Somme des carrés inter-cluster"
 
 msgctxt "ClusterInfo|"
 msgid ""
 "Adds a note with the between sum of squares of the cluster model to the "
 "table."
-msgstr ""
+msgstr "Ajoute une note avec la somme des carrés inter-cluster du modèle de regroupement au tableau."
 
 msgctxt "ClusterInfo|"
 msgid "Total sum of squares"
-msgstr ""
+msgstr "Somme des carrés totale"
 
 msgctxt "ClusterInfo|"
 msgid ""
 "Adds a note with the total sum of squares of the cluster model to the table."
-msgstr ""
+msgstr "Ajoute une note avec la somme des carrés totale du modèle de regroupement au tableau."
 
 msgctxt "ClusterMeans|"
 msgid "Shows a table containing the cluster means for each feature variable."
-msgstr ""
+msgstr "Affiche un tableau contenant les moyennes des clusters pour chaque variable caractéristique."
 
 msgctxt "ConfusionMatrix|"
 msgid "Confusion matrix"
-msgstr ""
+msgstr "Matrice de confusion"
 
 msgctxt "ConfusionMatrix|"
 msgid ""
 "Displays a table that shows the observed classes against the predicted "
 "classes. Used to assess model accuracy."
-msgstr ""
+msgstr "Affiche un tableau montrant les classes observées par rapport aux classes prédites. Utilisé pour évaluer la précision du modèle."
 
 msgctxt "ConfusionMatrix|"
 msgid "Display proportions"
-msgstr ""
+msgstr "Afficher les proportions"
 
 msgctxt "ConfusionMatrix|"
 msgid "Displays proportions in the confusion matrix instead of counts."
-msgstr ""
+msgstr "Affiche les proportions dans la matrice de confusion au lieu des comptages."
 
 msgctxt "ExplainPredictions|"
 msgid "Explain predictions"
-msgstr ""
+msgstr "Expliquer les prédictions"
 
 msgctxt "ExplainPredictions|"
 msgid "Cases"
-msgstr ""
+msgstr "Cas"
 
 msgctxt "ExplainPredictions|"
 msgid "The test set index of the first row to be displayed in the table."
-msgstr ""
+msgstr "L'indice de l'ensemble de test de la première ligne à afficher dans le tableau."
 
 msgctxt "ExplainPredictions|"
 msgid "to"
-msgstr ""
+msgstr "à"
 
 msgctxt "ExplainPredictions|"
 msgid "The test set index of the last row to be displayed in the table."
-msgstr ""
+msgstr "L'indice de l'ensemble de test de la dernière ligne à afficher dans le tableau."
 
 msgctxt "FeatureImportance|"
 msgid "Feature importance"
-msgstr ""
+msgstr "Importance des caractéristiques"
 
 msgctxt "FeatureImportance|"
 msgid "Shows the available feature importance metrics for the fitted model."
-msgstr ""
+msgstr "Affiche les métriques d'importance des caractéristiques disponibles pour le modèle ajusté."
 
 msgctxt "ModelPerformance|"
 msgid "Model performance"
-msgstr ""
+msgstr "Performance du modèle"
 
 msgctxt "ClusterDetermination|"
 msgid "Cluster Determination"
-msgstr ""
+msgstr "Détermination du nombre de clusters"
 
 msgctxt "ClusterDetermination|"
 msgid "Choose how to determine the number of clusters in the model."
-msgstr ""
+msgstr "Choisissez comment déterminer le nombre de clusters dans le modèle."
 
 msgctxt "ClusterDetermination|"
 msgid "Fixed"
-msgstr ""
+msgstr "Fixe"
 
 msgctxt "ClusterDetermination|"
 msgid ""
 "Enables you to generate a fixed amount of clusters. This allows you to "
 "generate your own specified number of clusters, and thus, optimize manually."
-msgstr ""
+msgstr "Vous permet de générer un nombre fixe de clusters. Cela vous permet de générer votre propre nombre de clusters spécifié et, ainsi, d'optimiser manuellement."
 
 msgctxt "ClusterDetermination|"
 msgid "Clusters"
-msgstr ""
+msgstr "Clusters"
 
 msgctxt "ClusterDetermination|"
 msgid "The number of clusters to be fitted."
-msgstr ""
+msgstr "Le nombre de clusters à ajuster."
 
 msgctxt "ClusterDetermination|"
 msgid "Optimized according to"
-msgstr ""
+msgstr "Optimisé selon"
 
 msgctxt "ClusterDetermination|"
 msgid ""
 "Enables you to choose an optimization method. BIC optimization is set as "
 "default."
-msgstr ""
+msgstr "Vous permet de choisir une méthode d'optimisation. L'optimisation BIC est définie par défaut."
 
 msgctxt "ClusterDetermination|"
 msgid ""
@@ -1975,94 +1975,94 @@ msgid ""
 "the sample size for optimizing the clustering output. The silhouette value "
 "uses the similarity of observations within a cluster and their dissimilarity "
 "to other clusters for optimizing the clustering output."
-msgstr ""
+msgstr "La méthode d'optimisation. Les options sont AIC, BIC et silhouette. L'AIC utilise la somme des carrés intra-cluster (variation intra-cluster), le nombre de clusters générés et le nombre de dimensions pour optimiser la sortie du regroupement. Le BIC utilise la somme des carrés intra-cluster (variation intra-cluster), le nombre de clusters générés, le nombre de dimensions et la taille de l'échantillon pour optimiser la sortie du regroupement. La valeur silhouette utilise la similarité des observations au sein d'un cluster et leur dissemblance avec les autres clusters pour optimiser la sortie du regroupement."
 
 msgctxt "ClusterDetermination|"
 msgid "Max. clusters"
-msgstr ""
+msgstr "Clusters max."
 
 msgctxt "ClusterDetermination|"
 msgid ""
 "Sets the maximum number of possible clusters to be generated. At default, "
 "this is set to 10."
-msgstr ""
+msgstr "Définit le nombre maximal de clusters possibles à générer. Par défaut, cette valeur est fixée à 10."
 
 msgctxt "DataSplit|"
 msgid "Choose how to create the test set."
-msgstr ""
+msgstr "Choisissez comment créer l'ensemble de test."
 
 msgctxt "DataSplit|"
 msgid ""
 "Choose a percentage to randomly sample from your data to derive prediction "
 "error. Generates an internal indicator variable that indicates whether the "
 "observation is included (1) or excluded (0) from the test set."
-msgstr ""
+msgstr "Choisissez un pourcentage à échantillonner aléatoirement dans vos données pour obtenir l'erreur de prédiction. Génère une variable indicatrice interne qui indique si l'observation est incluse (1) ou exclue (0) de l'ensemble de test."
 
 msgctxt "DataSplit|"
 msgid "The percentage of observations to use for the test set."
-msgstr ""
+msgstr "Le pourcentage d'observations à utiliser pour l'ensemble de test."
 
 msgctxt "DataSplit|"
 msgid ""
 "Add the generated test set indicator from the option above to your data set."
-msgstr ""
+msgstr "Ajouter l'indicateur de l'ensemble de test généré à partir de l'option ci-dessus à votre jeu de données."
 
 msgctxt "DataSplit|"
 msgid "The column name for the generated test set indicator."
-msgstr ""
+msgstr "Le nom de colonne pour l'indicateur de l'ensemble de test généré."
 
 msgctxt "DataSplit|"
 msgid "The variable in the data set that is used as the test set indicator."
-msgstr ""
+msgstr "La variable du jeu de données utilisée comme indicateur de l'ensemble de test."
 
 msgctxt "DataSplit|"
 msgid "Choose how to create the validation set."
-msgstr ""
+msgstr "Choisissez comment créer l'ensemble de validation."
 
 msgctxt "DataSplit|"
 msgid ""
 "Randomly sample a percentage from the remaining training data (after "
 "selecting the test set)."
-msgstr ""
+msgstr "Échantillonner aléatoirement un pourcentage des données d'entraînement restantes (après la sélection de l'ensemble de test)."
 
 msgctxt "DataSplit|"
 msgid "The percentage of observations to use for the validation set."
-msgstr ""
+msgstr "Le pourcentage d'observations à utiliser pour l'ensemble de validation."
 
 msgctxt "DataSplit|"
 msgid "Partition the remaining data in *k* parts."
-msgstr ""
+msgstr "Partitionner les données restantes en *k* parties."
 
 msgctxt "DataSplit|"
 msgid "The number of folds to be used."
-msgstr ""
+msgstr "Le nombre de folds à utiliser."
 
 msgctxt "DataSplit|"
 msgid "Partition the remaining data in *n* parts."
-msgstr ""
+msgstr "Partitionner les données restantes en *n* parties."
 
 msgctxt "ExportResults|"
 msgid ""
 "Generates a new column in your dataset with the values of your regression "
 "result. This gives you the option to inspect, cluster, or predict the "
 "generated values."
-msgstr ""
+msgstr "Génère une nouvelle colonne dans votre jeu de données avec les valeurs de votre résultat de régression. Cela vous donne la possibilité d'inspecter, de regrouper ou de prédire les valeurs générées."
 
 msgctxt "ExportResults|"
 msgid "The column name for the predicted values."
-msgstr ""
+msgstr "Le nom de colonne pour les valeurs prédites."
 
 msgctxt "ExportResults|"
 msgid "The file path for the saved model."
-msgstr ""
+msgstr "Le chemin du fichier pour le modèle enregistré."
 
 msgctxt "ExportResults|"
 msgid "When clicked, the model is exported to the specified file path."
-msgstr ""
+msgstr "Une fois cliqué, le modèle est exporté vers le chemin du fichier spécifié."
 
 msgctxt "ScaleVariables|"
 msgid "Scale features"
-msgstr ""
+msgstr "Normaliser les caractéristiques"
 
 msgctxt "ScaleVariables|"
 msgid ""
@@ -2071,68 +2071,68 @@ msgid ""
 "scale. As a result, standardizing provides numerical stability. JASP uses "
 "the Z-score standardization of a mean of 0 and a standard deviation of 1. "
 "This option is selected by default."
-msgstr ""
+msgstr "Normalise les caractéristiques continues du jeu de données. La normalisation garantit que les valeurs des caractéristiques de différentes échelles s'étalent sur une échelle similaire spécifique. Par conséquent, la normalisation assure une stabilité numérique. JASP utilise la normalisation par score Z avec une moyenne de 0 et un écart-type de 1. Cette option est sélectionnée par défaut."
 
 msgctxt "SetSeed|"
 msgid "Set seed"
-msgstr ""
+msgstr "Définir la graine aléatoire"
 
 msgctxt "SetSeed|"
 msgid ""
 "Gives the option to set a seed for your analysis. Setting a seed will "
 "exclude random processes influencing an analysis. For example, setting a "
 "seed makes it possible to re-run analyses with the same data splits."
-msgstr ""
+msgstr "Donne la possibilité de définir une graine pour votre analyse. Définir une graine exclura les processus aléatoires influençant une analyse. Par exemple, définir une graine permet de relancer des analyses avec les mêmes divisions des données."
 
 msgctxt "SetSeed|"
 msgid "The value of the seed."
-msgstr ""
+msgstr "La valeur de la graine aléatoire."
 
 msgctxt "VariablesFormClassification|"
 msgid "Target"
-msgstr ""
+msgstr "Cible"
 
 msgctxt "VariablesFormClassification|"
 msgid "In this box, the variable that needs to be predicted should be entered."
-msgstr ""
+msgstr "Dans cette boîte, la variable à prédire doit être saisie."
 
 msgctxt "VariablesFormClassification|"
 msgid "Features"
-msgstr ""
+msgstr "Caractéristiques"
 
 msgctxt "VariablesFormClassification|"
 msgid ""
 "In this box, the variables that provide information about the target "
 "variable should be entered."
-msgstr ""
+msgstr "Dans cette boîte, les variables qui fournissent des informations sur la variable cible doivent être saisies."
 
 msgctxt "VariablesFormClustering|"
 msgid "Features"
-msgstr ""
+msgstr "Caractéristiques"
 
 msgctxt "VariablesFormClustering|"
 msgid ""
 "In this box, the variables are need to be considered by the clustering "
 "algorithm should be entered."
-msgstr ""
+msgstr "Dans cette boîte, les variables à prendre en compte par l'algorithme de regroupement doivent être saisies."
 
 msgctxt "VariablesFormRegression|"
 msgid "Target"
-msgstr ""
+msgstr "Cible"
 
 msgctxt "VariablesFormRegression|"
 msgid "In this box, the variable that needs to be predicted should be entered."
-msgstr ""
+msgstr "Dans cette boîte, la variable à prédire doit être saisie."
 
 msgctxt "VariablesFormRegression|"
 msgid "Features"
-msgstr ""
+msgstr "Caractéristiques"
 
 msgctxt "VariablesFormRegression|"
 msgid ""
 "In this box, the variables that provide information about the target "
 "variable should be entered."
-msgstr ""
+msgstr "Dans cette boîte, les variables qui fournissent des informations sur la variable cible doivent être saisies."
 
 msgctxt "mlClassificationBoosting|"
 msgid ""
@@ -2144,7 +2144,7 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a nominal or ordinal variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "Le Boosting fonctionne en ajoutant séquentiellement des caractéristiques à un ensemble d'arbres de décision, chacune corrigeant son prédécesseur. Cependant, au lieu de modifier les pondérations de chaque observation mal classée à chaque itération, la méthode de Boosting tente d'ajuster la nouvelle caractéristique aux erreurs résiduelles commises par la caractéristique précédente. ### Hypothèses - La variable cible est une variable nominale ou ordinale. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlClassificationDecisionTree|"
 msgid ""
@@ -2155,7 +2155,7 @@ msgid ""
 "### Assumptions\n"
 "- The target is a nominal or ordinal variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "Les arbres de décision sont un algorithme d'apprentissage supervisé qui utilise un arbre de décision comme modèle prédictif pour passer des observations concernant un élément (représentées aux racines de l'arbre) aux conclusions sur la valeur cible de cet élément (représentées aux extrémités de l'arbre). ### Hypothèses - La cible est une variable nominale ou ordinale. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlClassificationKnn|"
 msgid ""
@@ -2167,7 +2167,7 @@ msgid ""
 "### Assumptions\n"
 "- The target is a nominal or ordinal variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "Les K plus proches voisins sont une méthode de classification qui examine les observations *k* de caractéristiques les plus similaires aux nouvelles observations pour prédire l'attribution de leur classe. Le nombre de plus proches voisins est intrinsèquement lié à la complexité du modèle, car un petit nombre accroît la flexibilité du modèle. ### Hypothèses - La cible est une variable nominale ou ordinale. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlClassificationLda|"
 msgid ""
@@ -2185,11 +2185,11 @@ msgid ""
 "can be checked with the corresponding table.\n"
 "- Multicollinearity: The classes should not correlate within each other, can "
 "be checked with the corresponding table."
-msgstr ""
+msgstr "L'analyse discriminante linéaire (LDA) est une méthode de classification qui vise à trouver *p - 1* composantes qui discriminent le mieux entre les classes de la variable cible. La LDA est un classifieur linéaire, ce qui signifie que les frontières de décision entre les classes sont linéaires. ### Hypothèses - La variable cible est une variable nominale ou ordinale. - Les variables caractéristiques sont des variables continues, nominales ou ordinales. - Égalité des moyennes des classes : les moyennes des classes doivent être égales, cela peut être vérifié avec le tableau correspondant. - Égalité des matrices de covariance : les matrices de covariance doivent être égales, cela peut être vérifié avec le tableau correspondant. - Multicolinéarité : les classes ne doivent pas être corrélées entre elles, cela peut être vérifié avec le tableau correspondant."
 
 msgctxt "mlClassificationLda|"
 msgid "Multivariate normality"
-msgstr ""
+msgstr "Normalité multivariée"
 
 msgctxt "mlClassificationNeuralNetwork|"
 msgid ""
@@ -2203,7 +2203,7 @@ msgid ""
 "### Assumptions\n"
 "- The target is a nominal or ordinal variable.\n"
 "- The feature variables consist of continuous variables."
-msgstr ""
+msgstr "Les réseaux de neurones à propagation avant sont des algorithmes prédictifs inspirés des réseaux de neurones biologiques qui constituent le cerveau. Un neurone (nœud) qui reçoit un signal le traite ensuite et peut envoyer des signaux aux neurones qui lui sont connectés. Le signal à un nœud est un nombre réel, et la sortie de chaque nœud est calculée en envoyant le signal à travers la fonction d'activation. Le nombre de couches et de nœuds du réseau est intrinsèquement lié à la complexité du modèle, car un grand nombre accroît la flexibilité du modèle. ### Hypothèses - La cible est une variable nominale ou ordinale. - Les variables caractéristiques sont des variables continues."
 
 msgctxt "mlClassificationRandomForest|"
 msgid ""
@@ -2215,7 +2215,7 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a nominal or ordinal variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "La forêt aléatoire est une méthode de classification qui crée un ensemble d'arbres de décision composé d'un grand nombre d'arbres individuels fonctionnant comme un ensemble. Chaque arbre individuel de la forêt aléatoire renvoie une prédiction de classe, et la classe qui obtient le plus de votes devient la prédiction du modèle. ### Hypothèses - La variable cible est une variable nominale ou ordinale. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlClassificationSvm|"
 msgid ""
@@ -2227,7 +2227,7 @@ msgid ""
 "### Assumptions\n"
 "- The target is a nominal or ordinal variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "La machine à vecteurs de support est un algorithme d'apprentissage supervisé qui projette les exemples d'entraînement sur des points de l'espace afin de maximiser la largeur de l'écart entre les deux catégories. Les nouveaux exemples sont ensuite projetés dans ce même espace et prédits comme appartenant à une catégorie selon le côté de l'écart où ils se trouvent. ### Hypothèses - La cible est une variable nominale ou ordinale. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlClusteringDensityBased|"
 msgid ""
@@ -2244,7 +2244,7 @@ msgid ""
 "### Assumptions\n"
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
-msgstr ""
+msgstr "Le regroupement basé sur la densité est une méthode de regroupement floue dans laquelle les clusters sont construits comme des ensembles maximaux de points reliés à des points dont la densité dépasse un certain seuil. La densité est produite par le concept selon lequel, pour chaque point d'un cluster, le voisinage dans un rayon donné doit contenir au moins un nombre minimal de points, ce qui fait que la densité de ce voisinage dépasse un certain seuil. Un cluster basé sur la densité se reconnaît à des points ayant une densité supérieure à celle des points extérieurs au cluster. L'ensemble de tous les points de haute densité est appelé niveau de densité. Les points qui ne dépassent pas un niveau de densité sont identifiés comme des valeurs aberrantes. Le niveau de densité influence le nombre de clusters générés. ### Hypothèses - Les données sont constituées de variables continues. - (Des données distribuées normalement facilitent le processus de regroupement)."
 
 msgctxt "mlClusteringFuzzyCMeans|"
 msgid ""
@@ -2257,7 +2257,7 @@ msgid ""
 "### Assumptions\n"
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
-msgstr ""
+msgstr "Le regroupement par c-moyennes flou est une méthode de partitionnement flou qui fournit une sortie contenant le degré d'association de chaque observation à chaque cluster. Cela permet aux observations de données d'être partiellement assignées à plusieurs clusters et de donner un degré de confiance concernant l'appartenance à un cluster. L'approche des c-moyennes flou est assez similaire à celle du regroupement par k-moyennes, hormis son approche floue. ### Hypothèses - Les données sont constituées de variables continues. - (Des données distribuées normalement facilitent le processus de regroupement)."
 
 msgctxt "mlClusteringHierarchical|"
 msgid ""
@@ -2269,7 +2269,7 @@ msgid ""
 "### Assumptions\n"
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
-msgstr ""
+msgstr "Le regroupement hiérarchique est un algorithme de partitionnement dur qui vise à partitionner les données en plusieurs clusters, chaque observation n'appartenant qu'à un seul groupe. Les données sont divisées de telle sorte que le degré de similarité entre deux observations soit maximal si elles appartiennent au même groupe et minimal dans le cas contraire. ### Hypothèses - Les données sont constituées de variables continues. - (Des données distribuées normalement facilitent le processus de regroupement)."
 
 msgctxt "mlClusteringKMeans|"
 msgid ""
@@ -2281,7 +2281,7 @@ msgid ""
 "### Assumptions\n"
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
-msgstr ""
+msgstr "Les méthodes de regroupement basées sur le voisinage sont un ensemble d'algorithmes de partitionnement dur qui visent à partitionner les données en plusieurs clusters, chaque observation n'appartenant qu'à un seul groupe. Les données sont divisées de telle sorte que le degré de similarité entre deux observations soit maximal si elles appartiennent au même groupe et minimal dans le cas contraire. ### Hypothèses - Les données sont constituées de variables continues. - (Des données distribuées normalement facilitent le processus de regroupement)."
 
 msgctxt "mlClusteringRandomForest|"
 msgid ""
@@ -2295,19 +2295,19 @@ msgid ""
 "### Assumptions\n"
 "- The data consists of continuous variables.\n"
 "- (Normally distributed data aids the clustering process)."
-msgstr ""
+msgstr "Le regroupement par forêt aléatoire est un algorithme de partitionnement dur qui vise à partitionner les données en plusieurs clusters, chaque observation n'appartenant qu'à un seul groupe. Cette méthode de regroupement utilise l'algorithme de forêt aléatoire de manière non supervisée, la variable de résultat 'y' étant définie sur NULL. L'algorithme de forêt aléatoire génère une matrice de proximité qui donne une estimation de la distance entre les observations sur la base de la fréquence à laquelle les observations aboutissent dans le même nœud feuille. ### Hypothèses - Les données sont constituées de variables continues. - (Des données distribuées normalement facilitent le processus de regroupement)."
 
 msgctxt "mlPrediction|"
 msgid "Cases"
-msgstr ""
+msgstr "Cas"
 
 msgctxt "mlPrediction|"
 msgid "Add features"
-msgstr ""
+msgstr "Ajouter des caractéristiques"
 
 msgctxt "mlPrediction|"
 msgid "Explain predictions"
-msgstr ""
+msgstr "Expliquer les prédictions"
 
 msgctxt "mlRegressionBoosting|"
 msgid ""
@@ -2317,11 +2317,11 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "Le Boosting fonctionne en ajoutant séquentiellement des caractéristiques à un ensemble d'arbres de décision, chacune corrigeant son prédécesseur. Le Boosting tente d'ajuster la nouvelle caractéristique aux erreurs résiduelles commises par la caractéristique précédente. ### Hypothèses - La variable cible est une variable continue. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlRegressionBoosting|"
 msgid "The loss function used."
-msgstr ""
+msgstr "La fonction de perte utilisée."
 
 msgctxt "mlRegressionDecisionTree|"
 msgid ""
@@ -2332,7 +2332,7 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "Les arbres de décision sont un algorithme d'apprentissage supervisé qui utilise un arbre de décision comme modèle prédictif pour passer des observations concernant un élément (représentées aux racines de l'arbre) aux conclusions sur la valeur cible de cet élément (représentées aux extrémités de l'arbre). ### Hypothèses - La variable cible est une variable continue. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlRegressionKnn|"
 msgid ""
@@ -2344,29 +2344,29 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "Les K plus proches voisins sont une méthode de régression qui examine les observations *k* de caractéristiques les plus similaires aux nouvelles observations pour prédire leurs valeurs. Le nombre de plus proches voisins est intrinsèquement lié à la complexité du modèle, car un petit nombre accroît la flexibilité du modèle. ### Hypothèses - La variable cible est une variable continue. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlRegressionLinear|"
 msgid ""
 "Linear regression allows the user to model a linear relationship between one "
 "or more features (predictors) and a continuous dependent (target) variable."
-msgstr ""
+msgstr "La régression linéaire permet à l'utilisateur de modéliser une relation linéaire entre une ou plusieurs caractéristiques (prédicteurs) et une variable dépendante (cible) continue."
 
 msgctxt "mlRegressionLinear|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlRegressionLinear|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlRegressionLinear|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlRegressionLinear|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlRegressionNeuralNetwork|"
 msgid ""
@@ -2380,7 +2380,7 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous."
-msgstr ""
+msgstr "Les réseaux de neurones à propagation avant sont des algorithmes prédictifs inspirés des réseaux de neurones biologiques qui constituent le cerveau. Un neurone (nœud) qui reçoit un signal le traite ensuite et peut envoyer des signaux aux neurones qui lui sont connectés. Le signal à un nœud est un nombre réel, et la sortie de chaque nœud est calculée en envoyant le signal à travers la fonction d'activation. Le nombre de couches et de nœuds du réseau est intrinsèquement lié à la complexité du modèle, car un grand nombre accroît la flexibilité du modèle. ### Hypothèses - La variable cible est une variable continue. - Les variables caractéristiques sont des variables continues."
 
 msgctxt "mlRegressionRandomForest|"
 msgid ""
@@ -2390,7 +2390,7 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "La forêt aléatoire est une méthode de régression qui crée un ensemble d'arbres de décision composé d'un grand nombre d'arbres individuels fonctionnant comme un ensemble. ### Hypothèses - La variable cible est une variable continue. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlRegressionRegularized|"
 msgid ""
@@ -2401,7 +2401,7 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variables."
-msgstr ""
+msgstr "La régression linéaire régularisée est une adaptation de la régression linéaire dans laquelle les coefficients sont rétrécis vers 0. Cela se fait en appliquant une pénalité (par exemple, ridge, lasso ou elastic net). Le paramètre λ contrôle le degré auquel les paramètres sont rétrécis. ### Hypothèses - La variable cible est une variable continue. - Les variables caractéristiques sont des variables continues, nominales ou ordinales."
 
 msgctxt "mlRegressionSvm|"
 msgid ""
@@ -2413,49 +2413,49 @@ msgid ""
 "### Assumptions\n"
 "- The target variable is a continuous variable.\n"
 "- The feature variables consist of continuous, nominal, or ordinal variable"
-msgstr ""
+msgstr "La machine à vecteurs de support est un algorithme d'apprentissage supervisé qui projette les exemples d'entraînement sur des points de l'espace afin de maximiser la largeur de l'écart entre les deux catégories. Les nouveaux exemples sont ensuite projetés dans ce même espace et prédits comme appartenant à une catégorie selon le côté de l'écart où ils se trouvent. ### Hypothèses - La variable cible est une variable continue. - Les variables caractéristiques sont des variables continues, nominales ou ordinale"
 
 msgctxt "Description|"
 msgid "Naive Bayes"
-msgstr ""
+msgstr "Naive Bayes"
 
 msgctxt "Description|"
 msgid "Naive Bayes Classification"
-msgstr ""
+msgstr "Classification par Naive Bayes"
 
 msgctxt "ModelOptimization|"
 msgid "Tree Complexity"
-msgstr ""
+msgstr "Complexité de l'arbre"
 
 msgctxt "ModelOptimization|"
 msgid "Enables you to use a user-specified complexity penalty."
-msgstr ""
+msgstr "Vous permet d'utiliser une pénalité de complexité spécifiée par l'utilisateur."
 
 msgctxt "ModelOptimization|"
 msgid "Complexity penalty"
-msgstr ""
+msgstr "Pénalité de complexité"
 
 msgctxt "ModelOptimization|"
 msgid ""
 "The complexity penalty to be used. Any split that does not decrease the "
 "overall lack of fit by a factor of this parameter is not attempted."
-msgstr ""
+msgstr "La pénalité de complexité à utiliser. Toute division qui ne diminue pas le manque d'ajustement global d'un facteur égal à ce paramètre n'est pas tentée."
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Enables you to optimize the prediction error on a validation data set with "
 "respect to the complexity penalty."
-msgstr ""
+msgstr "Vous permet d'optimiser l'erreur de prédiction sur un ensemble de données de validation par rapport à la pénalité de complexité."
 
 msgctxt "ModelOptimization|"
 msgid "Max. complexity penalty"
-msgstr ""
+msgstr "Pénalité de complexité max."
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Sets the maximum value of the complexity penalty to be considered. At "
 "default, this is set to 1."
-msgstr ""
+msgstr "Définit la valeur maximale de la pénalité de complexité à considérer. Par défaut, cette valeur est fixée à 1."
 
 msgctxt "OptimPlot|"
 msgid ""
@@ -2464,35 +2464,35 @@ msgid ""
 "classification, plots the complexity penalty against the classification "
 "accuracy of the model. Accuracy is assessed for the training (and "
 "validation) set."
-msgstr ""
+msgstr "Pour la régression, trace la pénalité de complexité en fonction de l'erreur quadratique moyenne (MSE) du modèle. La précision est évaluée sur l'ensemble d'entraînement (et de validation). Pour la classification, trace la pénalité de complexité en fonction de la précision de classification du modèle. La précision est évaluée sur l'ensemble d'entraînement (et de validation)."
 
 msgctxt "ModelOptimization|"
 msgid "Costs of Contraints Violation"
-msgstr ""
+msgstr "Coûts de violation des contraintes"
 
 msgctxt "ModelOptimization|"
 msgid "Enables you to use a user-specified cost of constraints violation."
-msgstr ""
+msgstr "Vous permet d'utiliser un coût de violation des contraintes spécifié par l'utilisateur."
 
 msgctxt "ModelOptimization|"
 msgid "Violation cost"
-msgstr ""
+msgstr "Coût de violation"
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Enables you to optimize the prediction error on a validation data set with "
 "respect to the cost of constraints violation."
-msgstr ""
+msgstr "Vous permet d'optimiser l'erreur de prédiction sur un ensemble de données de validation par rapport au coût de violation des contraintes."
 
 msgctxt "ModelOptimization|"
 msgid "Max. violation cost"
-msgstr ""
+msgstr "Coût de violation max."
 
 msgctxt "ModelOptimization|"
 msgid ""
 "Sets the maximum value of the cost of constraints violation to be "
 "considered. At default, this is set to 5."
-msgstr ""
+msgstr "Définit la valeur maximale du coût de violation des contraintes à considérer. Par défaut, cette valeur est fixée à 5."
 
 msgctxt "OptimPlot|"
 msgid ""
@@ -2501,7 +2501,7 @@ msgid ""
 "classification, plots the cost of contraints violation against the "
 "classification accuracy of the model. Accuracy is assessed for the training "
 "(and validation) set."
-msgstr ""
+msgstr "Pour la régression, trace le coût de violation des contraintes en fonction de l'erreur quadratique moyenne (MSE) du modèle. La précision est évaluée sur l'ensemble d'entraînement (et de validation). Pour la classification, trace le coût de violation des contraintes en fonction de la précision de classification du modèle. La précision est évaluée sur l'ensemble d'entraînement (et de validation)."
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid ""
@@ -2512,15 +2512,15 @@ msgid ""
 "- The target variable is a nominal or ordinal variable.\n"
 "- The features are independent.\n"
 "- The features are normally distributed given the target class."
-msgstr ""
+msgstr "Naive Bayes calcule les probabilités a posteriori conditionnelles d'une variable de classe catégorielle, étant donné des variables prédictives indépendantes, à l'aide de la règle de Bayes. ### Hypothèses - La variable cible est une variable nominale ou ordinale. - Les caractéristiques sont indépendantes. - Les caractéristiques sont distribuées normalement conditionnellement à la classe cible."
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Posterior statistics"
-msgstr ""
+msgstr "Statistiques a posteriori"
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid ""
@@ -2528,167 +2528,167 @@ msgid ""
 "contains the mean and standard deviation of the feature given the target "
 "class. For categorical features, the table displays the conditional "
 "probabilities given the target class."
-msgstr ""
+msgstr "Affiche des tableaux avec les statistiques a posteriori. Pour les caractéristiques numériques, le tableau contient la moyenne et l'écart-type de la caractéristique étant donnée la classe cible. Pour les caractéristiques catégorielles, le tableau affiche les probabilités conditionnelles étant donnée la classe cible."
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid "Smoothing parameter"
-msgstr ""
+msgstr "Paramètre de lissage"
 
 msgctxt "mlClassificationNaiveBayes|"
 msgid ""
 "A positive double controlling the amount of Laplace smoothing applied. The "
 "default (0) disables Laplace smoothing alltogether."
-msgstr ""
+msgstr "Un nombre décimal positif contrôlant le degré de lissage de Laplace appliqué. La valeur par défaut (0) désactive entièrement le lissage de Laplace."
 
 msgctxt "FeatureImportance|"
 msgid "Permutations"
-msgstr ""
+msgstr "Permutations"
 
 msgctxt "FeatureImportance|"
 msgid ""
 "Sets the number of permutations on which the mean dropout loss is based."
-msgstr ""
+msgstr "Définit le nombre de permutations sur lesquelles repose la perte moyenne en suppression (dropout)."
 
 msgctxt "Description|"
 msgid "Model-Based"
-msgstr ""
+msgstr "Basé sur un modèle"
 
 msgctxt "Description|"
 msgid "Model-Based Clustering"
-msgstr ""
+msgstr "Regroupement basé sur un modèle"
 
 msgctxt "ClusterMatrix|"
 msgid "Display components"
-msgstr ""
+msgstr "Afficher les composants"
 
 msgctxt "mlClusteringModelBased|"
 msgid ""
 "Model-based clustering is based on parameterized finite Gaussian mixture "
 "models. The models are estimated by EM algorithm initialized by hierarchical "
 "model-based agglomerative clustering."
-msgstr ""
+msgstr "Le regroupement basé sur un modèle s'appuie sur des modèles de mélange gaussien finis paramétrés. Les modèles sont estimés par l'algorithme EM initialisé par un regroupement hiérarchique agglomératif basé sur un modèle."
 
 msgctxt "mlClusteringModelBased|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Parameter estimates"
-msgstr ""
+msgstr "Estimations des paramètres"
 
 msgctxt "mlClusteringModelBased|"
 msgid ""
 "Shows tables containing the model parameters for each cluster and feature "
 "variable."
-msgstr ""
+msgstr "Affiche des tableaux contenant les paramètres du modèle pour chaque cluster et variable caractéristique."
 
 msgctxt "mlClusteringModelBased|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Model"
-msgstr ""
+msgstr "Modèle"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Auto"
-msgstr ""
+msgstr "Auto"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EII"
-msgstr ""
+msgstr "EII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VII"
-msgstr ""
+msgstr "VII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEI"
-msgstr ""
+msgstr "EEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEI"
-msgstr ""
+msgstr "VEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVI"
-msgstr ""
+msgstr "EVI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEE"
-msgstr ""
+msgstr "EEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEE"
-msgstr ""
+msgstr "VEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVE"
-msgstr ""
+msgstr "EVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVE"
-msgstr ""
+msgstr "VVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEV"
-msgstr ""
+msgstr "EEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEV"
-msgstr ""
+msgstr "VEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVV"
-msgstr ""
+msgstr "EVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVV"
-msgstr ""
+msgstr "VVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Choose the model to be fitted in the EM step of the clustering."
-msgstr ""
+msgstr "Choisissez le modèle à ajuster à l'étape EM du regroupement."
 
 msgctxt "mlClusteringModelBased|"
 msgid "Max. iterations"
-msgstr ""
+msgstr "Itérations max."
 
 msgctxt "mlClusteringModelBased|"
 msgid "The maximum number of iterations for the M-step in the algorithm."
-msgstr ""
+msgstr "Le nombre maximal d'itérations pour l'étape M de l'algorithme."
 
 msgctxt "mlPrediction|"
 msgid "Predictions for new data"
-msgstr ""
+msgstr "Prédictions pour de nouvelles données"
 
 msgctxt "ConfusionMatrix|"
 msgid "Transpose matrix"
-msgstr ""
+msgstr "Transposer la matrice"
 
 msgctxt "ConfusionMatrix|"
 msgid "Transposes the confusion matrix."
-msgstr ""
+msgstr "Transpose la matrice de confusion."
 
 msgctxt "ExplainPredictions|"
 msgid ""
@@ -2696,19 +2696,19 @@ msgid ""
 "that can be attributed to individual model features. This feature uses the "
 "breakdown algoritm from the `ibreakdown` R package. For more details about "
 "this method, see Gosiewska and Biecek (2019)."
-msgstr ""
+msgstr "Affiche une décomposition des prédictions du modèle en contributions pouvant être attribuées à des caractéristiques individuelles du modèle. Cette fonction utilise l'algorithme de breakdown du package R `ibreakdown`. Pour plus de détails sur cette méthode, voir Gosiewska et Biecek (2019)."
 
 msgctxt "DataSplit|"
 msgid "e.g., testSet"
-msgstr ""
+msgstr "p. ex., testSet"
 
 msgctxt "Description|"
 msgid "Logistic / Multinomial"
-msgstr ""
+msgstr "Logistique / Multinomial"
 
 msgctxt "Description|"
 msgid "Logistic / Multinomial Regression Classification"
-msgstr ""
+msgstr "Classification par régression logistique / multinomiale"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid ""
@@ -2720,54 +2720,54 @@ msgid ""
 "handle target variables with more than two categories. Instead of predicting "
 "binary outcomes, multinomial regression is used for scenarios where the "
 "target variable has three or more unordered categories."
-msgstr ""
+msgstr "La régression logistique est une méthode statistique utilisée pour modéliser la relation entre une variable cible binaire (avec deux résultats possibles) et une ou plusieurs variables caractéristiques. Elle prédit la probabilité d'un résultat spécifique à l'aide d'une fonction logistique, ce qui garantit que les probabilités prédites sont comprises entre 0 et 1. La régression multinomiale étend la régression logistique pour traiter les variables cibles comportant plus de deux catégories. Au lieu de prédire des résultats binaires, la régression multinomiale est utilisée pour les scénarios où la variable cible comporte trois catégories non ordonnées ou plus."
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Tables"
-msgstr ""
+msgstr "Tableaux"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Plots"
-msgstr ""
+msgstr "Graphiques"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Training Parameters"
-msgstr ""
+msgstr "Paramètres d'entraînement"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Algorithmic Settings"
-msgstr ""
+msgstr "Paramètres algorithmiques"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Link function (for binary classification)"
-msgstr ""
+msgstr "Fonction de liaison (pour la classification binaire)"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Logit"
-msgstr ""
+msgstr "Logit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Probit"
-msgstr ""
+msgstr "Probit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Cauchit"
-msgstr ""
+msgstr "Cauchit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Complimentary log-log"
-msgstr ""
+msgstr "Log-log complémentaire"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Log"
-msgstr ""
+msgstr "Log"
 
 msgctxt "mlPrediction|"
 msgid ""
 "The prediction analysis enables you to load a trained machine learning model "
 "and apply it to new data. It is important that the features in the new "
 "dataset have the same names as in the original dataset used for training."
-msgstr ""
+msgstr "L'analyse de prédiction vous permet de charger un modèle d'apprentissage automatique entraîné et de l'appliquer à de nouvelles données. Il est important que les caractéristiques du nouvel ensemble de données portent les mêmes noms que dans l'ensemble de données original utilisé pour l'entraînement."
 
 msgctxt "DataSplit|"
 msgid ""
@@ -2776,26 +2776,26 @@ msgid ""
 "(excluded from the test set) and 1 (included in the test set). The data will "
 "then be split into a training (and validation if requested) set (0), and a "
 "test set (1) according to your indicator."
-msgstr ""
+msgstr "Utilisez une variable indicatrice pour sélectionner les données de l'ensemble de test. Cette indicatrice doit être une colonne de type scale dans vos données qui ne contient que des 0 (exclues de l'ensemble de test) et des 1 (incluses dans l'ensemble de test). Les données seront ensuite divisées en un ensemble d'entraînement (et de validation si demandé) (0) et un ensemble de test (1) en fonction de votre indicateur."
 
 msgctxt "ExportResults|"
 msgid "Add probabilities (classification only)"
-msgstr ""
+msgstr "Ajouter les probabilités (classification uniquement)"
 
 msgctxt "ExportResults|"
 msgid ""
 "In classification analyses, append the predicted probabilities for each "
 "class to the data. For neural networks, this option provides the output of "
 "the final layer."
-msgstr ""
+msgstr "Dans les analyses de classification, ajoutez les probabilités prédites pour chaque classe aux données. Pour les réseaux de neurones, cette option fournit le résultat de la dernière couche."
 
 msgctxt "Description|"
 msgid "Supervised Learning"
-msgstr ""
+msgstr "Apprentissage supervisé"
 
 msgctxt "Description|"
 msgid "Unsupervised Learning"
-msgstr ""
+msgstr "Apprentissage non supervisé"
 
 msgctxt "ModelPerformance|"
 msgid ""
@@ -2804,4 +2804,5 @@ msgid ""
 "sup> and more. For classification, these metrics include precision, recall, "
 "the F1-score, support, AUC (area under the ROC curve) and more. For "
 "clustering, these metrics include entropy, Dunn index and more."
-msgstr ""
+msgstr "Affiche les métriques de performance du modèle disponibles. Pour la régression, ces métriques comprennent l'erreur quadratique moyenne (MSE), la racine de l'erreur quadratique moyenne (RMSE), le R<sup>2</sup> et plus encore. Pour la classification, ces métriques comprennent la précision, le rappel, le score F1, le support, l'AUC (aire sous la courbe ROC) et plus encore. Pour le regroupement, ces métriques comprennent l'entropie, l'indice de Dunn et plus encore."
+
diff --git a/po/QML-zh_Hant.po b/po/QML-zh_Hant.po
index 690f4423..f4df5333 100644
--- a/po/QML-zh_Hant.po
+++ b/po/QML-zh_Hant.po
@@ -473,7 +473,7 @@ msgstr "彈性網路"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Lambda (λ)"
-msgstr ""
+msgstr "Lambda（λ）"
 
 msgctxt "mlRegressionRegularized|"
 msgid "Fixed"
@@ -982,27 +982,27 @@ msgstr "三角形的"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Epanechnikov"
-msgstr ""
+msgstr "Epanechnikov"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Biweight"
-msgstr ""
+msgstr "Biweight"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Triweight"
-msgstr ""
+msgstr "Triweight"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Cosine"
-msgstr ""
+msgstr "Cosine"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Inverse"
-msgstr ""
+msgstr "Inverse"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Gaussian"
-msgstr ""
+msgstr "Gaussian"
 
 #, fuzzy
 msgctxt "AlgorithmicSettings|"
@@ -1011,14 +1011,14 @@ msgstr "等級"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Optimal"
-msgstr ""
+msgstr "最佳"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
 "Sets the weighting scheme for the nearest neighbors. The default rectangular "
 "option results in standard knn, while the other options expand the algorithm "
 "by weighing the nearest neighbors. See also the kknn package."
-msgstr ""
+msgstr "設定最近鄰居的加權方式。預設的矩形選項即為標準的 knn，而其他選項則是透過對最近鄰居加權來擴展此演算法。另請參閱 kknn 套件。"
 
 #, fuzzy
 msgctxt "AlgorithmicSettings|"
@@ -1027,7 +1027,7 @@ msgstr "距離"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Euclidian"
-msgstr ""
+msgstr "Euclidian"
 
 #, fuzzy
 msgctxt "AlgorithmicSettings|"
@@ -1038,23 +1038,23 @@ msgctxt "AlgorithmicSettings|"
 msgid ""
 "The distance metric to be used when determining the similarity between "
 "nearest neighbors. Can be either Euclidean or Manhattan distance."
-msgstr ""
+msgstr "用於判斷最近鄰居之間相似程度的距離度量。可為歐幾里得距離或曼哈頓距離。"
 
 msgctxt "ModelOptimization|"
 msgid "Number of Nearest Neighbors"
-msgstr ""
+msgstr "最近鄰居數量"
 
 msgctxt "ModelOptimization|"
 msgid "Enables you to use a user-specified number of nearest neighbors."
-msgstr ""
+msgstr "讓您使用自訂的最近鄰居數量。"
 
 msgctxt "ModelOptimization|"
 msgid "Nearest neighbors"
-msgstr ""
+msgstr "最近鄰居"
 
 msgctxt "ModelOptimization|"
 msgid "The number of nearest neighbors to be used."
-msgstr ""
+msgstr "所使用的最近鄰居數量。"
 
 msgctxt "ModelOptimization|"
 msgid ""
@@ -1142,31 +1142,31 @@ msgstr "ReLU：整流線性單元"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Softplus"
-msgstr ""
+msgstr "Softplus"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Softsign"
-msgstr ""
+msgstr "Softsign"
 
 msgctxt "AlgorithmicSettings|"
 msgid "ELU"
-msgstr ""
+msgstr "ELU"
 
 msgctxt "AlgorithmicSettings|"
 msgid "LReLU"
-msgstr ""
+msgstr "LReLU"
 
 msgctxt "AlgorithmicSettings|"
 msgid "SiLU"
-msgstr ""
+msgstr "SiLU"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Mish"
-msgstr ""
+msgstr "Mish"
 
 msgctxt "AlgorithmicSettings|"
 msgid "GeLU"
-msgstr ""
+msgstr "GeLU"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
@@ -1189,6 +1189,23 @@ msgid ""
 "- Gaussian: *f(x) = e * (-x^2)*\n"
 "- GeLU: *f(x) = 0.5 * x * (1 + tanh(sqrt(2 / pi) * (x + 0.044715 * x^3)))*"
 msgstr ""
+"設定每個隱藏層中訊號的激活函數。可用的選項有：\n"
+"- linear（線性）：*f(x) = x*\n"
+"- Binary（二元）：*f(x) = 0 if x < 0, 1 if x > 0*\n"
+"- Logistic sigmoid（邏輯訊號）：*f(x) = 1 / (1 + e^(-x))*\n"
+"- Sine（正弦）：*f(x) = sin(x)*\n"
+"- Cosine（餘弦）：*f(x) = cos(x)*\n"
+"- Inverse tangent（反正切）：*f(x) = arctan(x)*\n"
+"- Hyperbolic tangent（雙曲正切）：*f(x) = tanh(x)*\n"
+"- ReLU：*f(x) =  0 if x < 0, x if x > 0*\n"
+"- Softplus：*f(x) = log(1 + e^x)*\n"
+"- Softsign：*f(x) = x / (abs(x) + 1)*\n"
+"- ELU：*f(x) = e^x - 1 if x <= 0, x if x > 0*\n"
+"- LReLU：*f(x) = 0.01 * x if x < 0, x if x > 0*\n"
+"- SiLU：*f(x) = x / (1 + e^(-x))*\n"
+"- Mish：*f(x) = x * tanh(log(1 + e^x))*\n"
+"- Gaussian（高斯）：*f(x) = e * (-x^2)*\n"
+"- GeLU：*f(x) = 0.5 * x * (1 + tanh(sqrt(2 / pi) * (x + 0.044715 * x^3)))*"
 
 #, fuzzy
 msgctxt "AlgorithmicSettings|"
@@ -1197,23 +1214,23 @@ msgstr "演算法"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Backpropagation"
-msgstr ""
+msgstr "反向傳播"
 
 msgctxt "AlgorithmicSettings|"
 msgid "rprop+"
-msgstr ""
+msgstr "rprop+"
 
 msgctxt "AlgorithmicSettings|"
 msgid "rprop-"
-msgstr ""
+msgstr "rprop-"
 
 msgctxt "AlgorithmicSettings|"
 msgid "grprop-sag"
-msgstr ""
+msgstr "grprop-sag"
 
 msgctxt "AlgorithmicSettings|"
 msgid "grprop-slr"
-msgstr ""
+msgstr "grprop-slr"
 
 msgctxt "AlgorithmicSettings|"
 msgid ""
@@ -1225,15 +1242,15 @@ msgid ""
 "smallest absolute gradient, or `gprop-slr` for the globally convergent "
 "algorithm that modifies the learning rate associated with the smallest "
 "learning rate itself."
-msgstr ""
+msgstr "設定網路訓練所使用的演算法。反向傳播選項是訓練類神經網路的標準方式，其他選項包括：`rprop+`（預設）為具回溯的彈性反向傳播，`rprop-` 為不具回溯的彈性反向傳播，`gprop-sag` 為全域收斂演算法，會修改與最小絕對梯度相關聯的學習率，而 `gprop-slr` 為全域收斂演算法，會修改與最小學習率本身相關聯的學習率。"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Learning rate"
-msgstr ""
+msgstr "學習率"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The learning rate used by the backpropagation algorithm."
-msgstr ""
+msgstr "反向傳播演算法所使用的學習率。"
 
 #, fuzzy
 msgctxt "AlgorithmicSettings|"
@@ -1246,7 +1263,7 @@ msgstr "離差平方和"
 
 msgctxt "AlgorithmicSettings|"
 msgid "Cross-entropy"
-msgstr ""
+msgstr "交叉熵"
 
 msgctxt "AlgorithmicSettings|"
 msgid "The loss function used."
@@ -2807,55 +2824,55 @@ msgstr "自動"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EII"
-msgstr ""
+msgstr "EII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VII"
-msgstr ""
+msgstr "VII"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEI"
-msgstr ""
+msgstr "EEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEI"
-msgstr ""
+msgstr "VEI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVI"
-msgstr ""
+msgstr "EVI"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEE"
-msgstr ""
+msgstr "EEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEE"
-msgstr ""
+msgstr "VEE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVE"
-msgstr ""
+msgstr "EVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVE"
-msgstr ""
+msgstr "VVE"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EEV"
-msgstr ""
+msgstr "EEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VEV"
-msgstr ""
+msgstr "VEV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "EVV"
-msgstr ""
+msgstr "EVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "VVV"
-msgstr ""
+msgstr "VVV"
 
 msgctxt "mlClusteringModelBased|"
 msgid "Choose the model to be fitted in the EM step of the clustering."
@@ -2943,23 +2960,23 @@ msgstr "連結函數（用於二元分類）"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Logit"
-msgstr ""
+msgstr "Logit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Probit"
-msgstr ""
+msgstr "Probit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Cauchit"
-msgstr ""
+msgstr "Cauchit"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Complimentary log-log"
-msgstr ""
+msgstr "Complementary log-log"
 
 msgctxt "mlClassificationLogisticMultinomial|"
 msgid "Log"
-msgstr ""
+msgstr "Log"
 
 msgctxt "mlPrediction|"
 msgid ""
@@ -2977,18 +2994,18 @@ msgid ""
 "(excluded from the test set) and 1 (included in the test set). The data will "
 "then be split into a training (and validation if requested) set (0), and a "
 "test set (1) according to your indicator."
-msgstr ""
+msgstr "使用指標變數來選擇測試集的資料。此指標應為資料中類型為連續尺度的欄位，且僅由 0（排除於測試集外）與 1（納入測試集）組成。接著資料會根據您的指標被劃分為訓練（以及驗證，如要求）集（0）與測試集（1）。"
 
 msgctxt "ExportResults|"
 msgid "Add probabilities (classification only)"
-msgstr ""
+msgstr "新增機率（僅限分類）"
 
 msgctxt "ExportResults|"
 msgid ""
 "In classification analyses, append the predicted probabilities for each "
 "class to the data. For neural networks, this option provides the output of "
 "the final layer."
-msgstr ""
+msgstr "在分類分析中，將每個類別的預測機率附加至資料中。對於類神經網路，此選項提供最後一層的輸出。"
 
 msgctxt "Description|"
 msgid "Supervised Learning"
diff --git a/po/R-de.po b/po/R-de.po
index 5f81d4fa..9b0bdede 100644
--- a/po/R-de.po
+++ b/po/R-de.po
@@ -201,6 +201,9 @@ msgid ""
 "Cannot create plot: You need at least two (numeric) features to create the "
 "decision boundary matrix. You have currently included only one feature."
 msgstr ""
+"Diagramm konnte nicht erstellt werden: Sie benötigen mindestens zwei "
+"(numerische) Merkmale, um die Matrix der Entscheidungsgrenzen zu erstellen. "
+"Sie haben derzeit nur ein Merkmal eingeschlossen."
 
 msgid ""
 "Cannot create matrix: not enough numeric variables remain after removing "
@@ -611,6 +614,11 @@ msgid ""
 "\n"
 "%3$s"
 msgstr ""
+"Einige Faktoren in %1$s besitzen Stufen, die nicht im Trainingsset "
+"vorkommen. Bitte entfernen Sie die Zeilen mit den folgenden Stufen aus dem "
+"Datensatz%2$s.\n"
+"\n"
+"%3$s"
 
 msgid ""
 "You have specified more nearest neighbors than there are observations in the "
@@ -1000,10 +1008,10 @@ msgid "Estimated Model Parameters"
 msgstr "Geschätzte Modellparameter"
 
 msgid "Mixing Probabilities"
-msgstr ""
+msgstr "Mischungswahrscheinlichkeiten"
 
 msgid "Mixing probability"
-msgstr ""
+msgstr "Mischungswahrscheinlichkeit"
 
 msgid "Component %1$s"
 msgstr "Komponente %1$s"
@@ -1099,11 +1107,15 @@ msgstr "Geladenes Modell: %1$s"
 msgid ""
 "The features in the new data are unscaled, consistent with the training set."
 msgstr ""
+"Die Merkmale in den neuen Daten sind unskaliert, konsistent mit dem "
+"Trainingsset."
 
 msgid ""
 "The features in the new data are scaled the same as those in the training "
 "set."
 msgstr ""
+"Die Merkmale in den neuen Daten werden auf dieselbe Weise skaliert wie die "
+"im Trainingsset."
 
 msgid ""
 "The trained model is not applied because the the following features are "
diff --git a/po/R-zh_Hant.po b/po/R-zh_Hant.po
index 3b2eb976..23eb1570 100644
--- a/po/R-zh_Hant.po
+++ b/po/R-zh_Hant.po
@@ -160,7 +160,7 @@ msgid "MVE"
 msgstr "最小變異估計"
 
 msgid "t"
-msgstr ""
+msgstr "t"
 
 msgid "The model is optimized with respect to the <i>out-of-bag accuracy</i>."
 msgstr "該模型以<i>袋外準確率</i>為最佳化目標。"
@@ -329,16 +329,16 @@ msgid "Clusters"
 msgstr "集群"
 
 msgid "N"
-msgstr ""
+msgstr "N"
 
 msgid "R%s"
-msgstr ""
+msgstr "R%s"
 
 msgid "AIC"
-msgstr ""
+msgstr "AIC"
 
 msgid "BIC"
-msgstr ""
+msgstr "BIC"
 
 msgid "Silhouette"
 msgstr "輪廓係數"
@@ -629,126 +629,126 @@ msgid "OOB Error"
 msgstr "袋外 (OOB) 誤差"
 
 msgid "R%1$s"
-msgstr ""
+msgstr "R%1$s"
 
 msgid "Adjusted R%1$s"
-msgstr ""
+msgstr "調整後 R%1$s"
 
 msgid "Please provide a target variable and at least %d feature variable(s)."
-msgstr ""
+msgstr "請提供目標變數以及至少 %d 個特徵變數。"
 
 msgid ""
 "The model is optimized with respect to the <i>validation set mean squared "
 "error</i>."
-msgstr ""
+msgstr "模型係針對<i>驗證集均方誤差</i>進行最佳化。"
 
 msgid "When %s is set to 0 linear regression is performed."
-msgstr ""
+msgstr "當 %s 設定為 0 時，會進行線性迴歸。"
 
 msgid ""
 "The model is optimized with respect to the <i>out-of-bag mean squared error</"
 "i>."
-msgstr ""
+msgstr "模型係針對<i>袋外均方誤差</i>進行最佳化。"
 
 msgid "Gaussian"
-msgstr ""
+msgstr "高斯"
 
 msgid "Laplace"
-msgstr ""
+msgstr "拉普拉斯"
 
 msgid "MSE(scaled)"
-msgstr ""
+msgstr "MSE（縮放後）"
 
 msgid "Values"
-msgstr ""
+msgstr "數值"
 
 msgid "R%s cannot be computed due to lack of variance in the predictions.</i>"
-msgstr ""
+msgstr "由於預測值缺乏變異，無法計算 R%s。</i>"
 
 msgid "Predictive Performance Plot"
-msgstr ""
+msgstr "預測效能圖"
 
 msgid "Observed Test Values"
-msgstr ""
+msgstr "觀察到的測試值"
 
 msgid "Predicted Test Values"
-msgstr ""
+msgstr "預測的測試值"
 
 msgid "Data Split"
-msgstr ""
+msgstr "資料切割"
 
 msgid "Train: %d"
-msgstr ""
+msgstr "訓練：%d"
 
 msgid "Test: %d"
-msgstr ""
+msgstr "測試：%d"
 
 msgid "Total: %d"
-msgstr ""
+msgstr "總計：%d"
 
 msgid "Validation: %d"
-msgstr ""
+msgstr "驗證：%d"
 
 msgid "Train and validation: %d"
-msgstr ""
+msgstr "訓練與驗證：%d"
 
 msgid "Additive Explanations for Predictions of New Cases"
-msgstr ""
+msgstr "對新個案預測的加性解釋"
 
 msgid "Additive Explanations for Predictions of Test Set Cases"
-msgstr ""
+msgstr "對測試集個案預測的加性解釋"
 
 msgid "Case"
 msgstr "個案"
 
 msgid "Predicted (Prob.)"
-msgstr ""
+msgstr "預測（機率）"
 
 msgid "Base"
-msgstr ""
+msgstr "基線"
 
 msgid "An error occurred when computing the results for this table: %1$s"
-msgstr ""
+msgstr "計算此表格之結果時發生錯誤：%1$s"
 
 msgid ""
 "Displayed values represent feature contributions to the predicted value "
 "without features (column 'Base') for the test set."
-msgstr ""
+msgstr "顯示的數值代表測試集中各特徵對預測值（不含特徵之『基線』欄）之貢獻。"
 
 msgid ""
 "Displayed values represent feature contributions to the predicted class "
 "probability without features (column 'Base') for the test set."
-msgstr ""
+msgstr "顯示的數值代表測試集中各特徵對預測類別機率（不含特徵之『基線』欄）之貢獻。"
 
 msgid "Feature Importance Metrics"
-msgstr ""
+msgstr "特徵重要性指標"
 
 msgid "Mean dropout loss"
-msgstr ""
+msgstr "平均遺漏損失"
 
 msgid "root mean squared error (RMSE)"
 msgstr "均方根誤差（RMSE）"
 
 msgid "1 - area under curve (AUC)"
-msgstr ""
+msgstr "1 - 曲線下面積（AUC）"
 
 msgid "cross entropy"
-msgstr ""
+msgstr "交叉熵"
 
 msgid "Mean dropout loss (defined as %1$s) is based on %2$s permutations."
 msgstr "平均遺漏損失（定義為 %1$）係基於%2$置換。"
 
 msgid "The target variable should have at least 2 classes."
-msgstr ""
+msgstr "目標變數應至少有 2 個類別。"
 
 msgid "Linear Discriminant Coefficients"
-msgstr ""
+msgstr "線性區別係數"
 
 msgid "(Constant)"
-msgstr ""
+msgstr "（常數）"
 
 msgid "Prior and Posterior Class Probabilities"
-msgstr ""
+msgstr "先驗與後驗類別機率"
 
 msgid "Prior"
 msgstr "先驗"
@@ -775,24 +775,24 @@ msgid "df"
 msgstr "自由度"
 
 msgid "p"
-msgstr ""
+msgstr "p"
 
 msgid "The null hypothesis specifies equal covariance matrices."
-msgstr ""
+msgstr "虛無假設指定共變數矩陣相等。"
 
 msgid ""
 "There are one or more levels in the target variable with less than two "
 "observations."
-msgstr ""
+msgstr "目標變數中有一個或多個水準的觀測值少於兩個。"
 
 msgid "Box's M"
-msgstr ""
+msgstr "Box's M"
 
 msgid "Pooled Within-Class Matrices Correlations"
-msgstr ""
+msgstr "合併類內矩陣之相關"
 
 msgid "Tests for Multivariate Normality"
-msgstr ""
+msgstr "多變量常態性檢定"
 
 msgid "Statistic"
 msgstr "統計量"
@@ -821,10 +821,10 @@ msgid "Standard Error"
 msgstr "標準誤"
 
 msgid "z"
-msgstr ""
+msgstr "z"
 
 msgid "%1$s%% Confidence interval"
-msgstr ""
+msgstr "%1$s%% 信賴區間"
 
 msgid "Lower"
 msgstr "下界"
@@ -833,21 +833,21 @@ msgid "Upper"
 msgstr "上界"
 
 msgid "The regression coefficients for numeric features are standardized."
-msgstr ""
+msgstr "數值特徵之迴歸係數已標準化。"
 
 msgid "The regression coefficients are unstandardized."
-msgstr ""
+msgstr "迴歸係數未標準化。"
 
 msgid ""
 "<b>Regression equation:</b>\n"
 "%1$s"
-msgstr ""
+msgstr "<b>迴歸方程式：</b>\n%1$s"
 
 msgid "Posterior Statistics"
-msgstr ""
+msgstr "後驗統計量"
 
 msgid "Feature: %1$s"
-msgstr ""
+msgstr "特徵：%1$s"
 
 msgid "Mean"
 msgstr "平均數"
@@ -1046,40 +1046,40 @@ msgid "Multinomial"
 msgstr "多項式"
 
 msgid "Logit"
-msgstr ""
+msgstr "Logit"
 
 msgid "Predictions for New Data"
-msgstr ""
+msgstr "對新資料的預測"
 
 msgid "Relative Influence"
-msgstr ""
+msgstr "相對影響力"
 
 msgid "<i>Warning.</i>"
-msgstr ""
+msgstr "<i>警告。</i>"
 
 msgid "An error occurred when computing the mean dropout loss: %1$s"
-msgstr ""
+msgstr "計算平均遺漏損失時發生錯誤：%1$s"
 
 msgid "Out-of-bag Improvement Plot"
-msgstr ""
+msgstr "袋外改進圖"
 
 msgid "Training set"
-msgstr ""
+msgstr "訓練集"
 
 msgid ""
 "OOB Change in \n"
 " Multinomial Deviance"
-msgstr ""
+msgstr "OOB 在多項式離差的變化 \n多項式離差"
 
 msgid ""
 "OOB Change in \n"
 " Binomial Deviance"
-msgstr ""
+msgstr "OOB 在二項式離差的變化 \n二項式離差"
 
 msgid ""
 "OOB Change in \n"
 "%s Deviance"
-msgstr ""
+msgstr "OOB 在%s離差的變化 \n%s離差"
 
 msgid "Plotting not possible: The model is based on only a single tree."
 msgstr "無法繪圖：此模型僅基於單一決策樹。"
@@ -1178,25 +1178,25 @@ msgid "Epanechnikov"
 msgstr "Epanechnikov 核函數"
 
 msgid "Biweight"
-msgstr ""
+msgstr "Biweight"
 
 msgid "Triweight"
-msgstr ""
+msgstr "Triweight"
 
 msgid "Cosine"
-msgstr ""
+msgstr "Cosine"
 
 msgid "Inverse"
-msgstr ""
+msgstr "Inverse"
 
 msgid "Rank"
-msgstr ""
+msgstr "Rank"
 
 msgid "Optimal"
-msgstr ""
+msgstr "最佳"
 
 msgid "%1$s Weight Function"
-msgstr ""
+msgstr "%1$s 權重函數"
 
 msgid ""
 "Plotting not possible: The selected weighting scheme cannot be visualized "
@@ -1204,19 +1204,19 @@ msgid ""
 msgstr "無法繪圖：所選的加權方式無法與資料分開進行視覺化。"
 
 msgid "Proportion of Max. Distance"
-msgstr ""
+msgstr "最大距離之比例"
 
 msgid "Relative Weight"
-msgstr ""
+msgstr "相對權重"
 
 msgid "Network Weights"
-msgstr ""
+msgstr "網路權重"
 
 msgid "Node"
-msgstr ""
+msgstr "節點"
 
 msgid "Layer"
-msgstr ""
+msgstr "層"
 
 msgid "Weight"
 msgstr "權重"
@@ -1228,52 +1228,52 @@ msgid "binary step"
 msgstr "二元逐步"
 
 msgid "logistic sigmoid"
-msgstr ""
+msgstr "邏輯式 sigmoid"
 
 msgid "sine"
-msgstr ""
+msgstr "正弦"
 
 msgid "cosine"
-msgstr ""
+msgstr "餘弦"
 
 msgid "inverse tangent"
-msgstr ""
+msgstr "反正切"
 
 msgid "hyperbolic tangent"
-msgstr ""
+msgstr "雙曲正切"
 
 msgid "rectified linear unit (ReLU)"
-msgstr ""
+msgstr "整流線性單元（ReLU）"
 
 msgid "softplus"
-msgstr ""
+msgstr "softplus"
 
 msgid "softsign"
-msgstr ""
+msgstr "softsign"
 
 msgid "exponential linear unit (ELU)"
-msgstr ""
+msgstr "指數線性單元（ELU）"
 
 msgid "leaky rectified linear unit (Leaky ReLU)"
-msgstr ""
+msgstr "洩漏整流線性單元（Leaky ReLU）"
 
 msgid "sigmoid linear unit (SiLU)"
-msgstr ""
+msgstr "sigmoid 線性單元（SiLU）"
 
 msgid "mish"
-msgstr ""
+msgstr "mish"
 
 msgid "gaussian"
-msgstr ""
+msgstr "高斯"
 
 msgid "gaussian error linear unit (GeLU)"
-msgstr ""
+msgstr "高斯誤差線性單元（GeLU）"
 
 msgid "The weights are input for the %1$s activation function."
-msgstr ""
+msgstr "這些權重是 %1$s 激活函數的輸入。"
 
 msgid "Network Structure Plot"
-msgstr ""
+msgstr "網路結構圖"
 
 msgid "Intercept"
 msgstr "截距"
@@ -1288,43 +1288,43 @@ msgid "Hidden layer %1$s"
 msgstr "隱藏層 %1$s"
 
 msgid "Binary"
-msgstr ""
+msgstr "二元"
 
 msgid "Logistic Sigmoid"
-msgstr ""
+msgstr "邏輯式 Sigmoid"
 
 msgid "Sine"
-msgstr ""
+msgstr "正弦"
 
 msgid "Inverse Tangent"
-msgstr ""
+msgstr "反正切"
 
 msgid "Hyperbolic Tangent"
-msgstr ""
+msgstr "雙曲正切"
 
 msgid "ReLU"
-msgstr ""
+msgstr "ReLU"
 
 msgid "Softplus"
-msgstr ""
+msgstr "Softplus"
 
 msgid "Softsign"
-msgstr ""
+msgstr "Softsign"
 
 msgid "ELU"
-msgstr ""
+msgstr "ELU"
 
 msgid "Leaky ReLU"
-msgstr ""
+msgstr "Leaky ReLU"
 
 msgid "SiLU"
-msgstr ""
+msgstr "SiLU"
 
 msgid "Mish"
-msgstr ""
+msgstr "Mish"
 
 msgid "GeLU"
-msgstr ""
+msgstr "GeLU"
 
 msgid "%1$s Activation Function"
 msgstr "%1$s 激活函數"
@@ -1363,34 +1363,34 @@ msgid "Total Increase in Node Purity"
 msgstr "節點純度的總增量"
 
 msgid "L2 (Ridge)"
-msgstr ""
+msgstr "L2（Ridge）"
 
 msgid "L1 (Lasso)"
-msgstr ""
+msgstr "L1（Lasso）"
 
 msgid "Elastic Net"
-msgstr ""
+msgstr "彈性網路"
 
 msgid "Variable Trace Plot"
-msgstr ""
+msgstr "變數軌跡圖"
 
 msgid "Coefficients"
 msgstr "係數"
 
 msgid "Lambda Evaluation Plot"
-msgstr ""
+msgstr "Lambda 評估圖"
 
 msgid "Cross-Validated %sMean Squared Error"
-msgstr ""
+msgstr "交叉驗證 %s均方誤差"
 
 msgid "Min. CV MSE"
-msgstr ""
+msgstr "最小交叉驗證均方誤差"
 
 msgid "%s 1 SE"
-msgstr ""
+msgstr "%s 1 標準誤"
 
 msgid "Row"
 msgstr "列"
 
 msgid "Cost of Constraints Violation"
-msgstr ""
+msgstr "違反限制之成本"