ノーマライゼーション

ノーマライゼーションが重要な理由

実世界のデータセットには、スケールや単位が大きく異なる特徴が含まれていることが多い。例えば、顧客離れを予測するデータセットでは、「口座残高」は数百から数百万まで、「商品数」は1から10まであるかもしれない。正規化なしでは、サポートベクターマシン（SVM）やニューラルネットワーク（NN）のように、距離を計算したり勾配を使ったりするMLアルゴリズムは、単純にそのスケールによって、より大きな範囲の特徴をより重要であると誤って認識するかもしれません。正規化することで、各特徴の寄与がその大きさではなく、予測力に基づくことを保証し、競争の場を平準化します。これにより、学習中の収束が早くなり（エポック数の減少に見られる）、モデルの精度が向上し、より安定したロバストモデルになります。この安定性は Ultralytics YOLOのようなモデルを、物体検出や インスタンスのセグメンテーションなどのタスクでトレーニングする場合に有益であり、平均平均精度（mAP）のようなメトリクスを向上させる可能性があります。

一般的な正規化テクニック

データの再スケーリングにはいくつかの方法があり、それぞれ異なる状況に適している：

• 最小-最大スケーリング：通常は[0, 1]です。次のように計算されます：(value - min) / (max - min)として計算されます。この方法は元の分布の形状を保持しますが、外れ値の影響を受けやすくなります。
• Zスコアの標準化（Standard Scaling）：平均が0、標準偏差が1になるように特徴を再スケーリングする：(値 - 平均値) / 標準偏差。Min-Maxスケーリングとは異なり、値を特定の範囲に束縛しないので、境界区間内の入力を必要とするアルゴリズムには不利かもしれませんが、外れ値の扱いが良くなります。Scikit-learn Preprocessing ドキュメントに、これらのメソッドやその他のメソッドに関する詳細な情報があります。
• ロバスト・スケーリング：最小値/最大値や平均値/標準偏差の代わりに、四分位範囲（IQR）のような外れ値にロバストな統計量を使用する。データセットに有意な外れ値が含まれる場合に特に有効です。ロバスト・スケーリングの詳細

これらのテクニックの選択は、特定のデータセット（Ultralytics Datasetsにあるようなもの）と使用するMLアルゴリズムの要件に依存することが多い。アノテーションデータの前処理に関するガイドは、特定のタスクに関連する正規化のステップをカバーしていることが多い。

ノーマライゼーションvs.スタンダード化vs.バッチ・ノーマライゼーション

正規化を関連概念と区別することは重要だ：

• 標準化：Zスコアの標準化と同じ意味で使われることが多いが、この技法は平均がゼロで分散が単位になるようにデータを変換する。正規化が一般的にデータを一定の範囲（例えば0から1）にスケーリングするのに対して、標準化は必ずしも特定の範囲に拘束することなく、データを平均値の中心に置き、標準偏差に基づいてスケーリングする。
• バッチ正規化：これは学習中のニューラルネットワークに適用される技術で、特に層または活性化層の入力に適用される。ミニバッチごとに前の活性化層の出力を正規化し、内部の共変量シフトの問題を軽減することで学習プロセスを安定化、高速化します。初期データセットに適用される前処理ステップである特徴正規化（Min-MaxまたはZスコア）とは異なり、バッチ正規化はネットワークアーキテクチャの一部であり、モデル学習中に動的に適応します。

正規化の応用

正規化は、さまざまな人工知能（AI）およびMLタスクのためにデータを準備するための、どこにでもあるステップである：

• コンピュータビジョン（CV）：画像中のピクセル値（通常0から255の範囲）は、畳み込みニューラルネットワーク（CNN）に入力される前に、しばしば[0, 1]または[-1, 1]に正規化される。これは画像間の一貫性を保証し、画像分類、 YOLO11ようなモデルを使った物体検出、画像セグメンテーションのようなタスクにおいて、ネットワークがより効果的に特徴を学習するのに役立つ。多くの標準的なCVデータセットは、この前処理ステップの恩恵を受けている。
• 医療画像解析： YOLO モデルを使った腫瘍検出のようなアプリケーションでは、MRIやCTスキャンの強度値を正規化することが極めて重要です。スキャン機器や設定が異なると、強度のスケールが異なる画像が生成される可能性があります。正規化することで、異なるスキャンや患者間で一貫性のある比較可能な分析が保証され、より信頼性の高い診断モデルにつながります。これは、ヘルスケアにおけるAIのような分野で不可欠である。
• 予測モデリング：多様な特徴に基づいて結果を予測するモデルを構築する場合（例えば、広さ、部屋数、場所の座標に基づいて住宅価格を予測する場合）、正規化することで、大きな数値範囲を持つ特徴（平方メートルなど）が、距離ベースの計算（k-最近傍探索など）やトレーニング中の勾配更新を支配しないようにします。これは金融や 小売の分析では一般的です。
• 自然言語処理（NLP）：生のテキストではあまり一般的ではありませんが、正規化は単語頻度やTFスコアなどの数値特徴に適用できます。

要約すると、正規化はデータの特徴を一貫性のある範囲にスケールする重要な前処理ステップであり、Ultralytics HUBのようなツールを使用して開発および訓練されたものを含む、多くの機械学習モデルの訓練プロセス、安定性、およびパフォーマンスを向上させます。これは、公正な特徴寄与を保証し、入力スケールに敏感なアルゴリズムに不可欠であり、より堅牢で正確なAIソリューションに貢献します。