データリーケージ
データリーケージとは、機械学習モデルの訓練時に本来知り得ないテストデータや未来の情報が学習データに混入してしまう現象です。これにより訓練時の評価は高くなるものの、本番環境の未知のデータに対する予測性能が著しく低下します。モデル評価の信頼性を損なうため、適切なデータ前処理と厳格なデータ分割を行うことが極めて重要です。
データ前処理のAI用語一覧
6件データ前処理に関するAI用語を6件掲載しています。意味や使い方、関連用語を一覧から確認できます。
正規化
正規化（Normalization）とは、データの各特徴量のスケール（値の範囲）を統一する処理のことです。主にデータを0から1の範囲に変換することで、特定の変数の影響力が不当に大きくなるのを防ぎ、機械学習モデルの学習を安定化・高速化させます。画像処理や自然言語処理など、多様なAI分野のデータ前処理において必須のプロセスです。
特徴量選択
特徴量選択とは、機械学習モデルの構築において、予測や分類に最も寄与する重要なデータ項目（特徴量）を絞り込むデータ前処理のプロセスです。不要なノイズや重複するデータを除外することで、学習の高速化、過学習の防止、およびモデルの解釈性の向上を実現できます。主要な手法にフィルター法やラッパー法、埋め込み法があります。
特徴量スケーリング
特徴量スケーリングとは、機械学習のデータ前処理において、異なる単位や数値の範囲（スケール）を持つ特徴量を一定の基準で揃える処理です。データの尺度差による偏りを防ぎ、モデルの予測精度向上や学習の高速化を可能にします。代表的な手法として、平均を0、分散を1にする「標準化」や、データを0から1の範囲に収める「正規化」があります。
欠損値
欠損値とは、データセットの中でデータが記録されていない、あるいは存在しない値のことです。機械学習のモデルを訓練する前に適切な前処理を行わないと、予測精度の低下や学習エラーの原因となります。
ダウンサンプリング
ダウンサンプリングとは、デジタルデータや信号の解像度やサンプル数を減らしてデータ量を削減する処理のことです。AIや機械学習の分野では、画像処理の軽量化や、不均衡データに対するデータ調整の手法として広く活用されています。