DS検定 用語解説
標準化とは
各データから平均を引き標準偏差で割り、尺度をそろえて比較しやすくする処理。
まず押さえる結論
標準化は、DS検定の「第5章 データ準備・可視化技法とモデル化」に出てくる用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-10-02。
試験概要（公式）比較記事でさらに確認する
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
「第5章 データ準備・可視化技法とモデル化」の問題で、取り違えやすい組み合わせです。
- 標本誤差とサンプリングバイアスの混同。標本誤差は標本抽出に伴う偶然のばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差。
- 過学習を『精度が高いこと』と誤解する。訓練データに過剰適合し未知データへの汎化性能が下がる問題として理解する必要がある。
- Precision（適合率）とRecall（再現率）の取り違え。目的（見逃しを減らしたいか、誤検知を減らしたいか）によって重視する指標が変わる。
関連する確認問題
第5章 データ準備・可視化技法とモデル化 / データ準備
モデルに入力する数値特徴量のスケールをそろえる前処理として最も適切なものはどれか。
正解は「標準化」である。標準化は、数値特徴量の平均やばらつきをそろえ、スケールの違いがモデル学習に与える影響を抑える前処理である。帰無仮説は検定、公開鍵暗号化方式はセキュリティ、データポータビリティは個人情報に関する制度論点であり、特徴量のスケール調整ではない。設問では「モデルに入力する数値特徴量」と「スケールをそろえる前処理」を結び付ける。検定、暗号化、制度の用語を除外し、データ準備の標準化を選ぶ。処理の対象と目的を分けて読むことが重要である。
第5章 データ準備・可視化技法とモデル化 / データ準備
平均やばらつきが異なる複数の数値特徴量を、学習前に比較可能な尺度へそろえたい。使う前処理はどれか。
平均やばらつきが異なる特徴量を比較可能な尺度へそろえるので、尺度を整える前処理が必要になる。正解は「標準化」である。標準化は、数値特徴量の平均やばらつきをそろえ、スケールの違いがモデル学習に与える影響を抑える。「離散化」は連続値を区間に区切る変換、「対数変換」は大きな値の差を抑える変換であり、尺度をそろえる処理ではない。「リシェイプ」は配列の形状を変える操作で、特徴量の尺度とは関係しない。したがって、平均やばらつきが異なる複数の数値特徴量を学習前に比較可能な尺度へそろえる前処理は、標準化である。
第5章 データ準備・可視化技法とモデル化 / データ準備
「都道府県」のようなカテゴリの値を、機械学習モデルが扱える0と1の列に変換したい。使う前処理はどれか。
カテゴリの値を0と1の列にしたいので、カテゴリを数値の列へ置き換える前処理が必要になる。正解は「ダミー変数への変換」である。ダミー変数への変換は、カテゴリの値ごとに、該当すれば1、しなければ0とする列を作る処理で、都道府県のような値をモデルが扱える形にできる。「対数変換」と「標準化」は数値を対象にした変換であり、カテゴリを扱わない。「離散化」は連続した数値をカテゴリにする変換で、向きが逆である。したがって、設問の前処理はダミー変数への変換である。
同じ章で確認したい用語
他資格でも出題される用語
到達チェック
- 標準化を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、標準化に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）