【G検定対策】正規化・標準化とは？｜データを学習しやすいスケールに整える考え方

正規化・標準化は、データの値の大きさをそろえる前処理です。

AIや機械学習では、年齢、身長、年収、購入回数のように、単位や値の範囲が違うデータを同時に扱います。

そのまま学習すると、値が大きい特徴だけが強く影響してしまうことがあります。

そこで、正規化や標準化によって、特徴量のスケールを整えます。

この記事では、正規化と標準化の違い、正則化との違い、AIでなぜ重要なのかを、G検定向けにわかりやすく整理します。

正規化・標準化とは？

正規化・標準化とは、データの値の大きさをそろえるための前処理です。

AIは、データを数値として扱います。

そのため、特徴量ごとの値の範囲が大きく違うと、学習が不安定になったり、一部の特徴だけが強く影響したりすることがあります。

たとえば、次のようなデータを考えます。

このように、特徴量によって値の範囲は大きく違います。

正規化・標準化は、このような数値のスケールをそろえるために使います。

なぜ正規化・標準化が必要なのか？

正規化・標準化が必要になる理由は、特徴量ごとのスケールが違うからです。

たとえば、年齢と年収を同時に使う場合、年収の数値は年齢よりかなり大きくなります。

AIは数値をもとに計算するため、値が大きい特徴量を「重要そう」と扱ってしまうことがあります。

もちろん、値が大きいからといって、本当に重要とは限りません。

正規化・標準化は、特徴量を公平に扱いやすくするための準備です。

流れで見ると、次のようになります。

正規化とは？

正規化とは、データの値の範囲をそろえる前処理です。

代表的な方法は、値を0〜1の範囲に変換する方法です。

たとえば、身長、年収、購入回数のように値の範囲が違う特徴量を、同じような範囲にそろえます。

イメージとしては、次のような変換です。

代表的な式は次の形です。

　正規化後の値 = (元の値 – 最小値) / (最大値 – 最小値)

この式を覚えることよりも、G検定では「値の範囲をそろえる」という意味を押さえることが重要です。

標準化とは？

標準化とは、データを平均0、標準偏差1に近づける前処理です。

平均からどれくらい離れているかを基準にして、値を変換します。

代表的な式は次の形です。

　標準化後の値 = (元の値 – 平均) / 標準偏差

標準化では、単に0〜1に収めるのではなく、平均とばらつきを基準にします。

そのため、「平均より大きいか」「平均からどれくらい離れているか」を見やすくなります。

たとえば、テストの点数で考えると、単純な点数だけでなく、平均との差を見るイメージです。

• 平均より高い
• 平均に近い
• 平均より低い

このような位置関係を扱いやすくするのが標準化です。

正規化と標準化の違い

正規化と標準化は、どちらもデータのスケールを整える前処理です。

ただし、そろえ方が違います。

ざっくり言うと、正規化は「範囲をそろえる」、標準化は「平均との差でそろえる」と考えるとわかりやすいです。

正則化との違い

G検定では、正規化、標準化、正則化を混同しないことが重要です。

特に、正規化と正則化は名前が似ています。

しかし、意味はまったく違います。

正規化・標準化は、データを学習しやすくするための前処理です。

一方、正則化は、過学習を防ぐための工夫です。

正規化・標準化は「データ側」の調整です。

正則化は「モデル側」の調整です。

この違いを押さえると、混同しにくくなります。

AI・機械学習での役割

正規化・標準化は、機械学習の前処理として使われます。

特に、距離や勾配を使う手法では重要です。

たとえば、k-means法 や k近傍法 では、データ同士の距離を使います。

特徴量のスケールが違うと、値の大きい特徴量が距離計算に強く影響します。

また、勾配降下法を使うモデルでは、特徴量のスケールがそろっている方が学習が安定しやすくなります。

ニューラルネットワークでも、入力データのスケールを整えることがあります。

ただし、すべての手法で同じように重要というわけではありません。

決定木やランダムフォレストのような木構造の手法では、正規化・標準化の影響が比較的小さい場合もあります。

G検定では、手法ごとの細かい使い分けよりも、「特徴量のスケールをそろえる前処理」として理解しておくことが大切です。

データ前処理・特徴量設計との関係

正規化・標準化は、データ前処理の一部です。

また、特徴量設計とも関係します。

データ前処理は、AIが学習しやすいようにデータを整える作業です。

特徴量設計は、AIが学習しやすい特徴を作る作業です。

正規化・標準化は、その中で「数値のスケールを整える」役割を持ちます。

たとえば、欠損値を処理したあと、外れ値を確認し、必要に応じて正規化・標準化を行う流れが考えられます。

正規化・標準化で注意したいこと

正規化・標準化では、学習データとテストデータの扱いに注意が必要です。

機械学習では、学習データで計算した最小値、最大値、平均、標準偏差を使って、検証データやテストデータも変換します。

テストデータまで含めて平均や標準偏差を計算してしまうと、本来は学習時に知らない情報を使うことになります。

これは、データリーケージにつながる可能性があります。

つまり、正規化・標準化は便利ですが、データの分け方と処理の順番にも注意が必要です。

混同しやすい用語

正則化、正規化、標準化は名前が似ていますが、役割は違います。

正則化はモデル側の調整、正規化と標準化はデータ側の前処理として整理すると理解しやすくなります。

G検定ではどう問われる？

G検定では、正規化・標準化の細かい計算よりも、意味や違いが問われやすいです。

特に、正則化との混同に注意が必要です。

AIの学習をはじめたばかりの人は、まず次の3つを区別すると理解しやすくなります。

まとめ

正規化・標準化は、AIがデータを学習しやすくするための前処理 です。

正規化は、値の範囲をそろえる考え方 です。

標準化は、平均と標準偏差を基準に値をそろえる考え方 です。

どちらも、特徴量のスケールを整えるために使います。

一方、正則化は過学習を防ぐ工夫であり、正規化・標準化とは目的が違います。

正規化・標準化は、数式を暗記するよりも、「AIがデータを公平に扱いやすくする準備」として理解すると、機械学習全体の流れとつながりやすくなります。

関連記事・おすすめ記事

正規化・標準化は、データのスケールをそろえてAIが学習しやすい状態に整える考え方です。

前処理、特徴量設計、ベクトル・行列、平均・標準偏差、微分、正則化との違いまでつなげると整理しやすくなります。

重要用語・混同しやすい用語チェックシート

G検定で重要な用語をチェックシートとしてまとめました。

試験直前の確認にも使える！ G検定 重要用語チェックシート 用語の意味があいまいなままだと本番で迷いやすいので、重要用語チェックシート（いわゆるチートシートです）で一度整理しておくのがおすすめです。

G検定で混同しやすい用語をチェックシートとしてまとめました。

混乱しないように整理しましょう G検定 混同しやすい用語チェックシート G検定では、用語の意味を知っているだけでなく、似た用語の違いを見分けられるかが重要です。混乱しないように整理しておくのがおすすめです。

公式テキスト・おすすめ問題集

公式テキスト

Amazonで確認

Amazonで確認する

楽天市場で確認

楽天市場で確認する

合格時に使用した問題集

Amazonで確認

Amazonで確認する

楽天市場で確認

楽天市場で確認する

※：1回目の受験の際、定番と言われている黒い問題集も購入しましたが、本番とは乖離している印象でした。

運営者

このブログの運営者です。文系出身です。SEO検定1級、ウェブマスター検定1級を取得しました。ブログ運営には「AIの活用は必須」と思いG検定を取得しました。G検定は簡単といわれがちですが1回目は不合格でした。その失敗経験を元に、これから受験する方の助けになればとできるだけわかりやすくG検定対策は解説しています。間違い等あればご指摘いただければ幸いです。