正規化（Normalization）とは？標準化との違いやPythonでのやり方までわかりやすく解説

サル

正規化ってなに？
標準化とは何が違うの？

とお悩みではないですか？

本記事では、データの前処理の手法である正規化について、標準化との違いやPythonでのやり方まで解説していきます。

正規化とは異なる変数間の尺度を整え、比較できるようにするデータの前処理の手法です。

変数同士の尺度が異なると正しい分析を行えないことから、正規化はデータ分析の前に利用されます。

本記事の信頼性

こんな悩みがある方読んで欲しい

正規化とは？
標準化とはどう違う？
どうやってPythonで実装するの？

しょー

それでは本編です！

月額980円で学べる！

サル

データサイエンスを学べるスク―ルって全部高くない？

確かに、データサイエンスのスクールは数十万円かかるものばかりで、うんざりですよね。

そんなあなたにおすすめなのが、たった月額980円で学べる『スタアカ』です！

もうデータサイエンスを学ぶために高額なお金を払う必要はありません。

サブスクなのでいつでも解約OK。手軽に始めてみませんか？

＼月額980円／

【PR】スタアカはこちら

講座が毎月追加されるので今後値上がりする可能性大、今が買いどき！

正規化（Normalization）とは

正規化（Normalization）とは、データの尺度（単位）を整え、異なる特徴量（変数）同士を比較できるようにするデータの前処理手法の1つです。

もし正規化を行わずにデータ分析すると、異なる尺度（単位）どうしの変数を比較できなくなります。

正規化は以下の式で行えます。

\[ X_{\text{normalized}} = \frac{X - X_{\text{min}}}{X_{\text{max}} - X_{\text{min}}} \]

分母ではデータの範囲、分子はそのデータ点と最小値との誤差を表しています。

正規化を行うことで、全てのデータ点を0から1の範囲に収まるのです。

0～1の範囲に収める正規化はMin-Max normalizationと言われています。

例えば、身長と体重という異なる尺度の特徴量を持つデータに対して正規化を行うと、どちらも0から1の範囲にデータを収められ、比較可能です。

正規化と標準化の違い

正規化と似た手法として標準化があります。

標準化について詳しく知りたい方は『標準化（Standardization）とは？正規化との違いやPythonでのやり方をわかりやすく解説』の記事をご参照ください。

: 標準化（Standardization）とは？正規化との違いやPythonでのやり方をわかりやすく解説
標準化は、データの分布を正規分布に近い形にすることで異なる特徴量（変数）同士を比較できるようにするデータの前処理の手法の1つです。本記事では、標準化について、概要から正規化との違い、Pythonでのやり方まで解説していきます。

2つの手法は以下のように目的が異なります。

正規化：データの尺度を統一し、0～1の範囲に収めること
標準化：データの分布を調整すること

正規化は、異なる変数間の尺度を整えて、0～1に整えることを目的としています。

しかし、正規化はデータの範囲を0～1に整えているだけであるため、外れ値に影響されてしまうのです。

標準化はデータの分布を調整し、外れ値の影響を抑える点で異なります。

つまり、正規化はデータを0～1の範囲に収め、標準化はデータの分布を調整する点で異なります。

事前に外れ値があると分かっている場合には、正規化ではなく標準化も視野に入れましょう。

正規化はPythonで簡単に行える

正規化はPythonで簡単に行えます。

pythonは機械学習を行えるプログラミング言語であるため、前処理もPythonで行えると効率的にデータ分析に移れるのです。

以下では、Pythonで0～1の範囲に収める正規化（Min-Max normalization）を行うコードです。

from sklearn.preprocessing import MinMaxScaler

# データを用意
data = [[1.0], [2.0], [3.0], [4.0], [5.0]]

# MinMaxスケーラーを作成
scaler = MinMaxScaler()

# データを正規化
normalized_data = scaler.fit_transform(data)

print(normalized_data)

このように、MinMaxScalerを使用することで、簡単に正規化を行えます。