![](https://cdn-ak-scissors.b.st-hatena.com/image/square/437b2e95a43cacea59796940803262f7a317dd25/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB0YXRlbGFibyZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9YTUxMDBjM2NiZjY1YjFmYjM2ZWNjODJiNzg0ZTlmZDA%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D05eb79f40e58077c3a1e42fc758103f1)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
第3回 Google Colaboratoryで始める機械学習のための特徴量エンジニアリング - スケーリング - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
第3回 Google Colaboratoryで始める機械学習のための特徴量エンジニアリング - スケーリング - Qiita
はじめに 本記事ではスケーリングと正規化について解説しています。本記事は主に「機械学習のための特徴... はじめに 本記事ではスケーリングと正規化について解説しています。本記事は主に「機械学習のための特徴量エンジニアリング」を参考とさせて頂いておりますので、気になる方は是非チェックしてみてください。 ※本記事で解説するプログラムは全てこちらにあります。 スケーリングとは 数値データの取りうる範囲は決まっているものと決まっていないものがあります。カウントデータは基本的にデータの取りうる範囲が決まっておらず、線形回帰などの特徴量のスケールに敏感なモデルの場合外れ値や特徴量間でスケールの差異により学習が上手く出来ない場合があります。そのような場合に尺度を統一することをスケーリングといいます。スケーリングにはMin-Maxスケーリング, 標準化, L2正規化などがあるので順番に紹介していきましょう。スケーリングについてもっと詳しく知りたい方はこちらの記事を見てみてください。 Min-Maxスケーリング