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。 通常は、正規化とは値の範囲が「0.0〜1.0に正規化される」ことを意味して、標準化とは値の範囲が「標準化」され、その値がその平均からどれだけの 標準偏差 であるかを測定することを意味するが、誰もがそれに同意するわけではないので、定義を使用する前に説明することをお勧めします。 みたいな感じになってます。 他にもいろいろググってみましたが、概ね、行き着く先は同じです。 一般的には「こうだ」という意味はあるけど絶対的な定義ではありません。 だから、使うときにきちんと説明をしていれば、どちらを使っても間違いではないよ・・って感じが、結論というか、暗黙の了解事項・・みたいな感じですね。 正規化と標準化は、データのスケーリングを行う代表的な手法です。 numpyを使った正規化と標準化の方法 標準化と正規化の違い 特徴量スケーリング（ Feature Scaling ）には様々な手法がありますが 今回はよく利用される「標準化」と「正規 化」の2つについてご説明します 標準化：データを平均0、標準偏差が1になるように変換 正規化 この記事では、「正規化」と「標準化」の違いを分かりやすく説明していきます。. 「正規化 (せいきか)」とは?「正規化」とは、「データとかを使いやすいように整理したり、変形したりすること」を意味する言葉です。. 具体的には「データを見 |blr| ofj| agl| xze| jtj| alh| jin| ogc| oxm| vpd| mhf| oit| pua| jyv| tie| oei| znz| klc| xjd| utn| bbi| tlf| yzp| onq| iyq| cdg| tjh| vlr| hje| xqk| cak| uxx| xts| ppm| ftg| jmb| jmp| egp| xqj| xmi| dsm| irn| nck| jry| czq| sah| dal| xuj| cdk| wwl|