正規化

正規化は、機械学習（ML）および人工知能（AI）において重要なデータ前処理技術です。これは、データセットの数値特徴量の範囲における差異を歪めることなく、共通のスケールに変換することを含みます。このスケーリング処理は、多くのアルゴリズム、特にニューラルネットワーク（NN）の学習で使用される勾配ベースの最適化手法のように、入力値の大きさに敏感なアルゴリズムの性能と安定性にとって不可欠です。すべての特徴量がモデルの学習プロセスに比例して寄与するようにすることで、正規化は学習を加速し、全体的なモデルの精度を向上させるのに役立ちます。

正規化が重要な理由

正規化がないと、スケールが大きい特徴量がモデルの学習プロセスを支配する可能性があります。たとえば、住宅価格を予測するためのデータセットでは、「平方フィート」（例：1000〜3000）のような特徴量は、「寝室数」（例：2〜5）よりもはるかに大きな範囲を持ちます。この不一致により、勾配降下法のようなアルゴリズムは収束に時間がかかったり、ローカルな最適値で立ち往生したりする可能性があります。正規化は、すべての特徴量を同じレベルにすることでこれを軽減し、次のようになります。

• より高速な収束: 最適化アルゴリズムが損失ランドスケープをより効率的にナビゲートできるため、モデルのトレーニングがより迅速になります。
• パフォーマンスの向上：k-最近傍法（k-NN）のような距離尺度を使用するアルゴリズムや、畳み込みニューラルネットワーク（CNN）のような勾配更新に依存するアルゴリズムにとって、これは不可欠です。
• 数値的不安定性のリスク軽減：バックプロパゲーションプロセス中の勾配爆発のような問題を回避するのに役立ちます。
• 一貫した特徴量の貢献: 単一の特徴量がそのスケールだけでモデルに不均衡な影響を与えないようにします。これは、適切な特徴量エンジニアリングの重要な側面です。

正規化 vs. 標準化 vs. バッチ正規化

正規化と標準化は、しばしば同じ意味で使用されますが、異なる手法です。また、データの正規化とバッチ正規化を区別することも重要です。

• 正規化（Min-Maxスケーリング）: この手法は、データを通常固定範囲にスケーリングします。データの分布がガウス分布でない場合、またはアルゴリズムが特定の分布を想定していない場合に役立ちます。データ前処理の一般的なステップです。
• 標準化（Zスコア正規化）: この手法は、データの平均を0、標準偏差を1になるようにリスケールします。Min-Maxスケーリングとは異なり、範囲に制限はありません。標準化は、データがガウス分布に従う場合に適しており、外れ値の影響を受けにくいです。
• バッチ正規化： これはデータの前処理ステップではなく、深層学習モデル内で使用されるレイヤーです。トレーニング中に、ミニバッチごとにレイヤーへの入力を正規化します。これにより、内部共変量シフトに対抗し、深層ネットワークのトレーニングを安定化および加速します。これは、Ultralytics YOLOモデルを含む、多くの最新アーキテクチャの標準コンポーネントであり、PyTorchやTensorFlowのようなフレームワークで実装されています。

正規化の応用

正規化は、特にコンピュータビジョン（CV）など、さまざまな分野で標準的な手法です。Ultralytics HUBのようなプラットフォームは、このような前処理が高性能モデルの学習に不可欠なワークフローを効率化します。

• 画像データの前処理: コンピュータビジョンでは、画像は通常0〜255の範囲のピクセル値で構成されています。画像分類や物体検出などのタスクのために画像をモデルに供給する前に、これらのピクセル値はほぼ常に正規化されます。それらを[0, 1]または[-1, 1]の範囲にスケーリングすると、データセット内のすべての画像で一貫性が確保されます。これは、YOLO11のようなモデルが特徴を効果的に学習するために重要です。
• 医療画像解析: 医療におけるAIのような分野では、MRIやCTなどの医療スキャンは、多くの場合、設定が異なるさまざまなマシンから提供されるため、強度のスケールが異なります。腫瘍検出にAIを使用する場合、これらのスキャンを正規化することは重要なステップです。これにより、モデルの分析が異なる患者と機器間で比較可能になり、より信頼性が高く正確な診断予測につながります。これは、医療画像解析の基本的な概念です。
• 金融における予測モデリング： 株価を予測したり、信用リスクを評価したりするモデルを構築する場合、データセットには、取引量（数百万単位）や株価収益率（例えば、10〜50）など、スケールが大きく異なる特徴が含まれることがよくあります。これらの特徴量を正規化することは、距離ベースのアルゴリズムにとって不可欠であり、勾配ベース学習が、より大きな大きさの特徴量によって歪められないようにします。これは、金融におけるコンピュータビジョンで一般的な手法です。