最終更新日：2026年8月27日
gk machine_learning preprocessing
まず結論
G検定の前処理文脈では、正規化（Normalization）は、特徴量の値を一定の範囲へ変換し、スケールをそろえる処理として問われることが多いです。
代表例は Min-Max正規化 です。
Normalization と Regularization は名前が似ていますが、目的は別です。
直感的な説明
たとえば、身長が「170」、年収が「5,000,000」のように桁が大きく違う特徴量をそのまま扱うと、手法によっては大きな数値の影響を受けやすくなります。
正規化は、こうした値を0〜1などへ変換して、同じ物差しで比べやすくするイメージです。
画像の画素値 0〜255 を 0〜1 に変換する例も分かりやすい代表例です。
定義・仕組み
Min-Max正規化
代表的な正規化では、データの最小値と最大値を使って0〜1などの範囲へ写します。
G検定では式を暗記するより、「値域をそろえる」ことを押さえるのが重要です。
標準化との違い
| 用語 | 代表的な変換 | 判断キーワード |
|---|---|---|
| 正規化 | 0〜1など一定範囲へ | 最小値・最大値、値域、スケール |
| 標準化 | 平均0・分散1 | 平均、分散、標準偏差 |
なお、「Normalization」という言葉は分野や資料によって広い意味で使われることがあります。G検定では、問題文が示す具体的な変換内容で判断するのが安全です。
Batch Normalizationとの違い
Batch Normalizationは、ニューラルネットワークの学習中にミニバッチの統計量を使って中間活性を整える手法です。
入力特徴量を0〜1にする前処理と、同じものではありません。
いつ使う？（得意・不得意）
使われやすい場面
- 特徴量ごとの値の桁が大きく異なる
- 距離ベースの手法を使う
- 勾配降下法で学習を安定させたい
- 画像の画素値などを扱いやすい範囲へ変換したい
注意点
Min-Max正規化は最小値・最大値を使うため、外れ値の影響を受けやすいことがあります。
また、正規化したからといって、平均0・分散1になるとは限りません。過学習を直接防ぐ処理でもありません。
G検定ひっかけポイント
正規化と標準化
❌ 「平均0・分散1にする」＝正規化と決め打ち
⭕ G検定では通常、これは標準化として切り分けます。
正規化と正則化
❌ 名前が似ているので同じ目的
⭕ 正規化はスケール調整、正則化は過学習対策です。
Batch Normalizationとの混同
❌ Batch Normalization＝入力を0〜1にする前処理
⭕ ネットワーク内部の中間活性を扱う手法です。
選択肢を切る判断基準
- 0〜1、-1〜1、値域をそろえる → 正規化
- 平均0・分散1 → 標準化
- L1・L2、罰則項 → 正則化
- ミニバッチ、層の中間値 → Batch Normalization
まとめ（試験直前用）
- 正規化＝値のスケール・範囲をそろえる
- 代表例はMin-Max正規化
- 平均0・分散1は標準化
- 過学習対策は正則化
- Batch Normalizationは入力前処理とは別
- 名前ではなく、何をどう変換するかで判断する
関連して、正則化・データ拡張・正規化の比較も確認すると、用語を横断して整理できます。