順序変数
順序変数とは、データに含まれるカテゴリ間に順序やランク（大小関係）が存在する変数のことです。顧客の満足度評価（高・中・低）や学歴、資格ランクなどが該当します。機械学習やデータ分析における特徴量エンジニアリングでは、各選択肢の順序情報を保持したまま適切な数値へ変換（符号化）してモデルに入力することが重要です。
データ前処理のAI用語一覧
53件データ前処理に関するAI用語を53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。
フィルター法
フィルター法は、機械学習のモデルを構築する前に、データの統計的な特性だけを利用して不要な特徴量を排除する手法です。モデルの学習を行わないため計算コストが非常に低く、高次元データを効率的に前処理できる点が大きなメリットです。
平滑化
平滑化とは、データや信号に含まれる微小な変動やノイズを取り除き、全体的な傾向や滑らかな変化を抽出する処理です。AIや機械学習の分野では、過学習の防止や画像処理、音声認識などにおいて、データの品質を高めるための重要な前処理手法として広く活用されています。
補完
補完（データ補完）とは、データセット内に存在する欠損値（空欄や未入力の部分）を、統計的な手法や機械学習アルゴリズムを用いて妥当な値で埋める処理のことです。AIの学習モデルは不完全なデータを受け付けないことが多いため、データ前処理において予測精度やモデルの安定性を保つための極めて重要なステップです。
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。
平均値代入法
平均値代入法は、データセット内の欠損値を、その変数の観測データの平均値で補完するデータ前処理の手法です。実装が極めて容易で計算コストが低いため、機械学習の初期フェーズなどで広く用いられます。しかし、データの分散を過小評価し、統計的なバイアスを引き起こすリスクがあるため、慎重な適用が求められます。
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。
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。
移動平均
移動平均（MA）とは、時系列データにおいて一定期間ごとの平均値を順次ずらしながら算出する統計手法です。データの不規則な変動（ノイズ）を取り除き、全体的な傾向（トレンド）を滑らかに捉えるために用いられます。AIや機械学習の分野では、時系列予測モデルの特徴量生成や、ニューラルネットワークの学習時に用いられる最適化アルゴリズム、重みの平滑化などで広く活用されています。
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。
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。
中央値補完
中央値補完は、データセット内の欠損値を、その特徴量の中央値で置き換えるデータ前処理の手法です。外れ値の影響を受けにくく、数値データの欠損をシンプルに処理できるため、機械学習モデルの構築前に広く利用されています。正規分布に従わない偏りのあるデータに対して特に有効なアプローチです。
特徴量抽出
特徴量抽出とは、生データからAIモデルの学習に有効な情報を数値化して取り出すプロセスです。不要な情報を削り、予測精度向上や計算コスト削減に不可欠な機械学習の重要な前処理技術として広く活用されています。
NaN
NaN（Not a Number、非数）とは、コンピュータによる数値演算において、定義されていない値や表現不可能な結果を示す特別な値のことです。機械学習やデータ分析においては、データセット内に存在する「欠損値」として頻繁に登場します。NaNが残ったままモデルの学習を行うとエラーの原因となるため、データ前処理段階で適切に処理することが重要です。
ハッシュトリック
ハッシュトリックは、機械学習において膨大なカテゴリカル変数やテキストデータを固定長のベクトルに変換するデータ前処理手法です。ハッシュ関数を用いて文字列などを直接インデックスへ変換することで、辞書を作成・保持するメモリを大幅に削減し、大規模データセットでも高速に処理を行えます。
平均値補完
平均値補完とは、データセット内の欠損値に対し、観測されたデータの平均値を代入して穴埋めする手法です。機械学習の前処理において最もシンプルで実装しやすい欠損値処理の一つですが、データの分散が過小評価されるなどの注意点があります。
アップサンプリング
アップサンプリングとは、データ処理において、画像の解像度を高めたり、時系列データのサンプリング周波数を上げたりする操作のことです。また、機械学習においては、不均衡データセットの偏りを解消するために、少数派クラスのデータ数を増やす処理も指します。データの密度や量を補完・増幅させることで、分析やモデルの予測精度を高めます。
ホワイトノイズ
ホワイトノイズとは、すべての周波数成分で等しい強度を持つランダムな信号やデータの乱れのことです。AIや機械学習の分野では、データの強靭性を高めるデータ拡張や、画像生成を行う拡散モデルにおける初期ノイズ、時系列データ分析での予測モデルの誤差評価などに幅広く利用される重要な基礎概念です。
欠損値補完
欠損値補完とは、データセット内に存在する欠損している値に対して、何らかの合理的な数値を推定して穴埋めする技術です。AIや機械学習モデルの精度向上や、データ分析の品質を保つために欠かせない前処理の重要なプロセスです。
データポイズニング
データポイズニングとは、機械学習モデルの訓練データに意図的に不正なデータを混入させ、誤動作や特定の脆弱性を引き起こす攻撃手法です。AIシステムの信頼性を脅かす重要なセキュリティリスクとして、LLMや画像認識などの幅広い分野で警戒されています。
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。
最頻値補完
最頻値補完とは、データセット内の欠損値を対象の変数で最も出現頻度が高い値（最頻値）で置き換えるデータ前処理手法です。主にカテゴリカルデータの欠損値補完に用いられ、計算コストが低く直感的に適用できる特徴がありますが、特定カテゴリの比率が過度に高まる点に留意が必要です。
ダミー変数
ダミー変数とは、性別や地域などのカテゴリデータを機械学習モデルや回帰分析で扱えるよう、0と1の数値に変換したものです。データの種類やモデルに応じて適切な符号化を行うことで、定性的な情報を数値的に正しく処理できるようになります。
特徴量スケール
特徴量スケールとは、機械学習モデルに入力するデータの数値の範囲を揃える前処理手法です。変数ごとの単位や値の大きさが異なる場合に調整を行うことで、勾配降下法の収束速度やアルゴリズムの予測精度を向上させます。