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。
正規化とは
正規化とは、機械学習やデータ分析において、異なる尺度や単位を持つデータの特徴量を、特定の範囲（一般的には0から1、または-1から1）にスケーリングして統一する前処理手法です。
詳しく解説
機械学習モデル、特に勾配降下法を用いるニューラルネットワークや距離をベースにするアルゴリズム（k近傍法など）は、入力データの数値の大きさに強く影響を受けます。例えば、住宅価格予測で「部屋数（1〜5）」と「年収（数百万円〜数千万円）」という桁数が大きく異なる特徴量をそのまま学習させると、モデルは値の大きい年収を不当に重視してしまいます。正規化を適用して両方の特徴量を同じスケールに変換することで、モデルのバイアスを排除し、最適化アルゴリズムの収束速度を向上させ、学習を安定させることができます。代表的な手法に最小値と最大値を用いるMin-Maxスケーリングがあります。
具体例・使われ方
画像認識における画像データの正規化が代表例です。画素値（0から255の整数値）を255で割ることで、すべてのピクセル値を0.0から1.0の実数に変換します。これによりニューラルネットワークの計算が安定します。また、複数のセンサーから得られた異なる単位（摂氏温度と気圧パスカルなど）の時系列データを共通の尺度に揃える際にも用いられます。さらに、ディープラーニングの内部で各層の出力を調整するバッチ正規化（Batch Normalization）なども存在します。
似た用語との違い
混同されやすい概念に「標準化」と「正則化」があります。標準化（Standardization）は、データの平均を0、分散を1にする変換であり、外れ値に対して比較的強いという特徴があります。一方、正規化は最小値を0、最大値を1などの固定範囲に収める手法です。また、名前が似ている「正則化（Regularization）」は、モデルの過学習を防ぐために損失関数にペナルティ項を追加する手法であり、データの数値範囲を整える正規化とは根本的に異なる技術です。
注意点
正規化（特にMin-Maxスケーリング）は、データ内に極端な外れ値（異常に大きい、または小さい値）が存在する場合、大部分の正常データが非常に狭い範囲に圧縮されてしまい、データの特徴が失われるという弱点があります。外れ値が多いデータセットに対しては、正規化を行う前に外れ値の処理を行うか、あるいは外れ値の影響を受けにくい標準化を適用するなどの対策を検討する必要があります。