---
title: "正規化（Normalization）とは？G検定対策"
description: "正規化（Normalization）を、値の範囲をそろえる前処理として整理します。標準化・白色化・正則化・Batch Normalizationとの違い、外れ値への注意、画像や距離ベース手法での使いどころ、G検定で「範囲指定」か「平均0・分散1」かを見分ける判断軸を確認できます。"
last_modified_at: "2026-06-22"
canonical_url: "https://stemtazoo.github.io/gk/normalization/"
section: "gk"
---

## まず結論

* **正規化（Normalization）**とは、入力データや特徴量の**スケール（値の範囲）をそろえる処理**です。
* G検定では、**「0〜1など範囲をそろえる」なら正規化**、**「平均0・分散1」なら標準化**、**「過学習を防ぐ」なら正則化**と切り分けます。

## 直感的な説明

身長（cm）と年収（円）を同じモデルに入れると、数値の桁が大きい年収の影響が強く見えてしまうことがあります。

正規化は、こうした値を

* 0〜1の範囲に収める
* -1〜1の範囲に収める
* 画像の画素値 0〜255 を 0〜1 に変換する

といった形で、**数値の土俵をそろえる作業**です。

## 定義・仕組み

正規化は、データの値域を一定の範囲に変換する前処理の総称です。代表例は **Min-Max正規化**で、最小値を0、最大値を1に近づけるように変換します。

重要なのは、正規化は**分布の形そのものを都合よく直す魔法ではない**ことです。外れ値があると、最小値・最大値に引っ張られて多くの値が狭い範囲に押し込まれることがあります。

また、深層学習の文脈では Batch Normalization なども「正規化」と呼ばれますが、G検定の選択肢では次のように目的で切り分けると安全です。

| 用語 | 主な目的 | 判断キーワード |
|---|---|---|
| 正規化 | 値の範囲をそろえる | 0〜1、-1〜1、スケール調整 |
| 標準化 | 平均0・分散1にする | 平均、分散、標準偏差 |
| Batch Normalization | 層の出力分布を安定させる | ミニバッチ、学習の安定化 |
| 正則化 | 過学習を抑える | L1、L2、罰則項、汎化 |

## いつ使う？（得意・不得意）

### 得意なこと

* 画像データの画素値を 0〜1 にそろえる
* 距離ベースの手法で、特徴量の桁の違いを弱める
* 勾配降下法で学習を安定させやすくする

### 苦手・注意点

* 外れ値があると、範囲の取り方が外れ値に引っ張られる
* 平均0・分散1になるとは限らない
* 過学習を直接防ぐ処理ではない

## G検定ひっかけポイント

選択肢では、**何をそろえる処理か**を見ます。

| 選択肢の表現 | 正誤判断 |
|---|---|
| 「特徴量を0〜1の範囲に変換する」 | 正規化の説明として正しい |
| 「平均0・分散1になるように変換する」 | 標準化の説明。正規化と断定されたら注意 |
| 「重みに罰則を加えて過学習を抑える」 | 正則化の説明 |
| 「特徴量間の相関をなくす」 | 白色化の説明 |
| 「ミニバッチごとに層の出力分布を安定させる」 | Batch Normalizationの説明 |

G検定では、**正規化（Normalization）と正則化（Regularization）は名前が似ていても目的がまったく違う**点が狙われやすいです。

## まとめ（試験直前用）

* 正規化＝値の**範囲・スケール**をそろえる処理
* 「0〜1」「-1〜1」なら正規化を疑う
* 「平均0・分散1」は標準化、「過学習対策」は正則化
* 外れ値に弱い場合がある
* Batch Normalizationは学習中の分布安定化として切り分ける