従来型ML・データ
標準化・正規化（特徴量のスケーリング）とは？意味・仕組みをわかりやすく解説
ひょうじゅんか・せいきか / Standardization, Normalization ／ 最終更新日：2026年7月7日
30秒でわかる定義
標準化・正規化とは、特徴量ごとに大きさ（スケール）の異なる値を、揃った範囲に変換する前処理です。標準化は平均0・標準偏差1に、正規化（Min-Max）は0〜1の範囲に変換します。スケールの違いによる学習の偏りを防ぎ、多くのアルゴリズムの性能を安定させます。
仕組み・基本の流れ
- 1各特徴量の分布を確認する
- 2標準化：（値−平均）÷標準偏差 で平均0・標準偏差1に変換する
- 3正規化（Min-Max）：（値−最小）÷（最大−最小）で0〜1に収める
- 4学習データで求めた基準（平均・最大最小）を、検証・本番データにも同じく適用する
実務でのポイント：距離や勾配を使うアルゴリズム（線形回帰・SVM・k近傍法・ニューラルネット等）ではスケーリングが効果的です。一方、決定木系（ランダムフォレスト・勾配ブースティング）はスケールの影響を受けにくいため必須ではありません。本番適用時に学習データの基準を使う点に注意します。
関連する用語
このスキルを活かせる職種と年収は？
適切な前処理（標準化・正規化）は、モデル性能を安定させるデータサイエンティスト・MLエンジニアの基礎です。手法の使い分けとデータリーク回避ができることが評価されます。
よくある質問
Q. 標準化と正規化はどう違いますか？
A. 標準化は平均0・標準偏差1に変換する方法（外れ値の影響を受けにくい）、正規化（Min-Max）は最小0・最大1の範囲に収める方法です。分布や用途に応じて使い分けます。
Q. すべてのモデルでスケーリングが必要ですか？
A. いいえ。距離や勾配を使うモデル（SVM・k近傍法・ニューラルネット等）では有効ですが、決定木系（ランダムフォレスト・勾配ブースティング）はスケールの影響を受けにくいため必須ではありません。