【Python】scikit-learnを使って特徴ベクトルから平均値を除去する方法

データの前処理とは、データのクリーニング、無効なデータやノイズの除去、適切な値への置き換えなどを行う作業を指します。

データ前処理とは、端的に言えば、複数のソースあるいは単一のソースから収集したすべてのデータを、共通のフォーマットや均一なデータセット（データの種類によって異なる）へとまとめるタスクです。各ステップの出力が次のステップの入力となり、処理が段階的に進んでいきます。

機械学習では、特定の結果を得るために、入力データから平均値を除去（中心化）する必要がある場合があります。この記事では、scikit-learnライブラリを使ってこれを実現する方法を解説します。

コード例

import numpy as np
from sklearn import preprocessing
input_data = np.array([
[34.78, 31.9, -65.5],
[-16.5, 2.45, -83.5],
[0.5, -87.98, 45.62],
[5.9, 2.38, -55.82]])
print("Mean value is : ", input_data.mean(axis=0))
print("Standard deviation value is : ", input_data.std(axis=0))
data_scaled = preprocessing.scale(input_data)
print("Mean value has been removed ", data_scaled.mean(axis=0))
print("Standard deviation has been removed ", data_scaled.std(axis=0))

実行結果

Mean value is : [ 6.17 -12.8125 -39.8 ]
Standard deviation value is : [18.4708067 45.03642047 50.30754615]
Mean value has been removed [-2.60208521e-18 -8.32667268e-17 -1.11022302e-16]
Standard deviation has been removed [1. 1. 1.]

コードの解説

• まず、必要なパッケージ（numpy と sklearn の preprocessing モジュール）をインポートします。

• NumPyライブラリを使用して入力データ（4行3列の数値配列）を生成します。

• mean(axis=0) と std(axis=0) を使って、各列（各特徴量）ごとの平均値と標準偏差を計算します。

• 計算された平均値と標準偏差をコンソールに表示します。

• preprocessing.scale() 関数を使うことで、データから平均値が除去され（平均0）、標準偏差が1に正規化されます。これは「標準化」と呼ばれる処理です。

• 処理後のデータに対して再度平均値と標準偏差を計算し、コンソールに表示します。出力を見ると、平均値はほぼ0（浮動小数点誤差により極小の値）、標準偏差は1になっていることが確認できます。

このように、scikit-learnの preprocessing.scale を利用すれば、わずか1行のコードでデータの標準化（平均の除去とスケーリング）を実現できます。標準化は、特徴量のスケールが大きく異なるデータを扱う際に、モデルの学習を安定させ性能を向上させるために非常に重要な前処理です。