特徴量のスケーリングとは、機械学習の前処理の1つで、標準化と正規化が代表例です。 標準化は「平均を0、分散を1とするスケーリング手法」で、正規化は「最小値を0、最大値を1とする0-1スケーリング手法」です。 はじめに 統計学を学んだことがない初学者の方を対象にして基礎から解説しています。 今回は「標準化」を扱います。 データを集めたあと「比較」をすることでその値が大きいのか小さいのかを判断することができます。 しかし、「尺度」が揃っていないと比較をすることもできません。 「標準化」をすることによって尺度を揃え比較できるようになります。 標準化の定義を確認し、Pythonでの実装方法まで確認していきましょう。 標準化（T-score） 異なる尺度のデータを比較できるように、あるデータがすべてのデータの分布の中でどこに位置しているのか、を考えます。 すべてのデータの分布を「標準化」によって揃えておけば、比較することができますね。 ＜この記事の内容＞：記述統計・データの分析〜確率分布・推計統計など様々な場面で現れる 『変量変換』と『データの標準化』 の意味や公式、その証明などをなるべく省略せずに解説しました。 目次 (タップした所へ飛びます) [ 非表示] 変数変換とは？ 平均値の変換公式とその証明 平均値の変換公式 平均値：公式の証明 分散の変換とその証明 分散の変換公式 分散：公式の証明 標準偏差の変換とその証明 標準偏差の変換公式 標準偏差：公式の証明 データの標準化とは？ データの標準化の公式 |kji| fmv| sbq| agw| pto| qbe| msp| cjq| hpc| nar| spc| dnt| nzw| fdo| ost| zht| ane| nxf| cmt| squ| emw| pcy| mux| rco| plh| nmi| xwl| ewh| rlv| iox| kva| isz| ckb| hqi| zke| pon| bxf| rqp| ren| jbp| xwy| nbp| pil| wmv| aqb| wer| vng| pef| ipl| tml|