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。
特徴量スケーリングとは
特徴量スケーリングとは、機械学習のモデルに入力するデータの尺度（スケール）を一定の範囲に揃えるデータ前処理の工程です。データの単位や数値の大きさが異なると、特定の項目が予測結果に過剰な影響を及ぼすため、それを防ぐために行われます。
詳しく解説
機械学習モデルは、数値の大小をそのままパターンの学習に利用することが多く、例えば「家賃（数万円〜数十万円）」と「部屋数（1〜5部屋）」のように単位や数値の範囲が大きく異なる特徴量が混在していると、数値の大きい家賃ばかりを優先して学習してしまう問題が生じます。このスケールの不均一を解消するために、すべての特徴量を比較可能な同じスケールに変換する技術が特徴量スケーリングです。代表的な手法として、平均を0、分散を1にする「標準化」や、最小値を0、最大値を1にする「正規化」などがあります。特徴量スケーリングを適切に行うことで、モデルの予測精度の向上や、学習時の計算コストの削減が期待できます。
具体例・使われ方
例えば、顧客データから購買予測を行う際、「年齢（10〜80）」と「年間購入額（1万〜100万円）」という異なる尺度のデータをそのまま扱うと、アルゴリズムは年間購入額の影響を極めて大きく評価してしまいます。特徴量スケーリングを適用して双方を0から1の範囲に揃えることで、年齢と購入額が対等に評価されるようになります。また、勾配降下法を用いた最適化アルゴリズムでは、スケーリングにより計算の収束速度が劇的に向上します。
似た用語との違い
混同されやすい概念に、データの「標準化」と「正規化」があります。標準化はデータ全体の平均を0、標準偏差を1に変換する手法で、外れ値の影響を受けにくい特徴があります。一方、正規化はデータを0から1などの特定の固定範囲に収める手法であり、データの最小値と最大値に依存するため外れ値の影響を受けやすいという違いがあります。これらは特徴量スケーリングの具体的な一手法であり、状況に応じて使い分けられます。
注意点
特徴量スケーリングを行う際の最大の注意点は、テストデータや本番運用のデータに対して、必ず学習データ（訓練データ）で算出した平均値や最小値・最大値などの統計情報を用いてスケーリングを適用しなければならない点です。テストデータ単体で独自にスケーリングを行ってしまうと、データ漏洩が発生し、モデルの正当な評価ができなくなります。また、決定木やランダムフォレストなどの一部の機械学習アルゴリズムや、データの絶対的な数値差そのものが重要なモデルでは、スケーリングが不要な場合もあります。さらに、K近傍法や主成分分析など、距離や分散をベースにする手法では必須の処理となります。