Min-Max 正規化を理解する
Min-Max 正規化は、データを0〜1の範囲にスケールする最も基本的な正規化手法です。単に正規化といわれるときはこのMin-Max正規化を指すことが多いです。
ニューラルネットワークでは、入力値のスケールが揃っていないと学習が進みにくくなるため、この手法がよく使われます。
「データの最小値を0、最大値を1に揃える」という直感的でわかりやすい方法で、G検定でも頻出のテーマです。計算問題も出題される可能性がありますので計算方法はマスターしておきましょう。
Min-Max 正規化とは？
Min-Max 正規化は、元のデータを最小値と最大値の位置関係に基づいて0〜1に変換する方法です。
計算式は次の通りです。
この式の意味はとてもシンプルです。
- 最小値 → 0 に変換される
- 最大値 → 1 に変換される
- その他の値 → 0〜1の間に比例して配置される
具体例で理解する
次のデータを Min-Max 正規化してみましょう。
- データ：10, 20, 30
- 最小値：10
- 最大値：30
例えば、20 を正規化すると次のようになります。
このように、元の値が最小値と最大値のちょうど中間にあるため、正規化後の値も 0.5 になります。
| 元の値 | 正規化後の値 |
|---|---|
| 10 | 0 ★最小の値は0になる！ |
| 20 | 0.5 |
| 30 | 1 ★最大の値は1になる！ |
Min-Max 正規化では、最小値が 0、最大値が 1 に変換され、その他の値はその間に比例して配置されます。
Min-Max 正規化のメリット
- 値が必ず 0〜1 に収まるため扱いやすい
- ニューラルネットの学習が安定しやすい
- 計算がシンプルで高速
Min-Max 正規化の注意点
Min-Max 正規化は便利ですが、外れ値に弱いという欠点があります。
例えば、データに極端に大きい値が1つ混ざると、他の値がすべて 0 に近い値に押しつぶされてしまいます。
- 外れ値がある場合 → Zスコア正規化やロバストスケーリングが有効
- 外れ値が少ない場合 → Min-Max 正規化が適している
まとめ
この記事では、ニューラルネットでよく使われる Min-Max 正規化について解説しました。
- Min-Max 正規化はデータを 0〜1 にスケールする方法
- 最小値→0、最大値→1 に変換される
- 計算式はシンプルで直感的
- 外れ値があると影響を受けやすい
正規化はニューラルネットの学習を安定させる重要な前処理です。Min-Max 正規化の特徴を理解しておくことで、G検定の問題にもスムーズに対応できるようになります。
