データの正規化

[アーティクル]
05/06/2019

重要

Machine Learning Studio (クラシック) のサポートは、2024 年 8 月 31 日に終了します。その日までに、Azure Machine Learning に切り替えすることをお勧めします。

2021 年 12 月 1 日以降、新しい Machine Learning Studio (クラシック) リソースは作成できません。 2024 年 8 月 31 日まで、既存の Machine Learning Studio (クラシック) リソースを引き続き使用できます。

ML Studio (クラシック) から Azure Machine Learning への機械学習プロジェクトの移動に関する情報を参照してください。
Azure Machine Learning についての詳細を参照してください。

ML Studio (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。

データセットの値を標準範囲内に制約するため、数値データを再スケールします

カテゴリ: データ変換/ スケールと削減

注意

適用対象: Machine Learning Studio (クラシック) のみ

類似のドラッグアンドドロップモジュールは Azure Machine Learning デザイナーで使用できます。

モジュールの概要

この記事では、Machine Learning Studio (クラシック) で Normalize Data モジュールを使用して、正規化を使用してデータセットを変換する方法について説明します。

正規化は、機械学習のためにデータを準備する一環として、適用されることが多い手法です。正規化の目的は、値の範囲の差異がゆがんだり、情報を失ったりすることなく、共通スケールで使用できるように、データセット内の数値列の値を変更することです。正規化は、一部のアルゴリズムでデータを正しくモデル化するためにも必要です。

たとえば、0 から 1 までの範囲の値を含む 1 つの列と、10,000 から 100,000 までの範囲の値を含むもう 1 つの列がある入力データセットがあるとします。モデリング中のフィーチャーとして値を結合しようとした場合、数値のスケールにおける大きな違いによって問題が発生する場合があります。

正規化では、モデルで使用されるすべての数値列にわたって適用されるスケール内に値を保持しながら、ソースデータで一般的な分布と比率を維持する新しい値を作成することで、これらの問題を回避します。

このモジュールでは、数値を変換するために、いくつかのオプションが提供されます。

すべての値を 0-1 スケールに変換したり、絶対値ではなく、パーセンタイル順位として表すことで、値を変換したりすることができます。
1 つの列、または同じデータセット内の複数の列に正規化を適用できます。
実験を繰り返す必要があったり、同じ正規化の手順を他のデータに適用したりする場合は、正規化の変換として手順を保存し、同じスキーマを含む他のデータセットに適用することができます。

警告

一部のアルゴリズムでは、モデルをトレーニングする前に、データを正規化する必要があります。他のアルゴリズムでは、独自のデータのスケーリングや正規化を実行します。そのため、予測モデルのビルドで使用する機械学習アルゴリズムを選ぶ場合、トレーニングデータに正規化を適用する前に、アルゴリズムのデータ要件を確認してください。