質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.34%

  • Python

    9279questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    771questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • NumPy

    517questions

    NumPyはPythonのプログラミング言語の科学的と数学的なコンピューティングに関する拡張モジュールです。

機械学習でのデータ標準化の方法について

解決済

回答 2

投稿

  • 評価
  • クリップ 1
  • VIEW 531

Kaggleにて機械学習の勉強中の初心者です。

特徴量が正規分布に従っていないと、予測に影響があるとのことで、
sklearn.preprocessing.StandardScaler クラスで標準化していました。

別なユーザーが作成したカーネルを見ると、np.log1pを使っていたりもするのですが、
どのような考えで使い分けたらよいのでしょうか。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

+1

https://www.kaggle.com/yww061851/data-preprocessing
http://forums.fast.ai/t/data-pre-processing-for-the-input-having-very-small-values/13656

予測しようとしているデータの分布によるんじゃないですか?

もともとlogで分布しているものから平均と分散をいじっても正規分布にならないじゃないですか。
それでも、モデルに学習させるときに正規分布が必要なので、うまい変換を施します。

x=e^xの変数変換の末に標準分布になるケースがある、ということなら納得できますか?

import numpy as np
from numpy.random import lognormal
import matplotlib.pyplot as plt
fig, (ax1, ax2, ax3, ax4) = plt.subplots(4, 1)

s = lognormal(size=1000)
ls = np.log(s)
ns = (s - s.mean()) / s.std()
nls = (ls - ls.mean()) / ls.std()

def p(ax, s):
  ax.hist(s, bins=np.linspace(s.min(), s.max(), 100))
p(ax1, s)
p(ax2, ns)
p(ax3, ls)
p(ax4, nls)
plt.show()

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/07/06 11:12

    サンプルの提示ありがとうございました。
    回答にて理解が進みました。

    データの分布がこれだったら何を使うという部分はまだわかっていませんが、
    データセットの標準化にはStandardScalerを使用し、
    正規分布にするためにはnp.log1pを使う という理解です。

    キャンセル

0

一般的な標準化、正規化であればStandardScalerでまったく構いません。

対数を取るというのは、まず思いつくのはデータのスケールが大きいとき使う手です。

また、logの関数自体は色々な分類アルゴリズムの内部では大活躍しています(色々なアルゴリズムの導出を見るとたくさんでてくる)。逆に言うと、自分でわざわざ対数を取ることはあまりありませんが・・・。

あとは、まったくそういうのとは関係なく、データが指数的な性質を持っているときに対数変換して回帰する、というのはあるそうなので、そっちかもしれません。それについては、以下を参考にしてください。

対数変換を行う意味について。回帰分析において対数変換する背景にある前提とは? | アタリマエ!
回帰分析②:線形回帰が使えないときに用いる高度な回帰分析方法 – 医療政策学×医療経済学

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

同じタグがついた質問を見る

  • Python

    9279questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 機械学習

    771questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • NumPy

    517questions

    NumPyはPythonのプログラミング言語の科学的と数学的なコンピューティングに関する拡張モジュールです。

閲覧数の多いPythonの質問