MinMaxScaler はデータを指定した最小値・最大値の範囲に線形変換します。ニューラルネットのシグモイド出力や画像ピクセルなど、値域を制限したいケースで便利です。

1. 変換の仕組み #

$$ x’ = \frac{x - \min(x)}{\max(x) - \min(x)} (b - a) + a $$

feature_range=(a, b) を指定すると、各特徴量が [a, b] にスケールされます。既定値は (0, 1) です。

2. Python 実装 #

import numpy as np
from sklearn.preprocessing import MinMaxScaler

data = np.array(
    [[20, 400],
     [30, 600],
     [25, 550],
     [35, 800]]
)

scaler = MinMaxScaler(feature_range=(-1, 1))
scaled = scaler.fit_transform(data)

print("レンジ:", scaler.data_min_, scaler.data_max_)
print("変換後:\n", scaled)

feature_range=(-1, 1) のように指定すれば、双方向に圧縮できます。ニューラルネットに入力する場合、活性化関数との相性を考えて設定しましょう。

3. ハイパーパラメータの直感 #

外れ値が混ざると、全体が極端に押しつぶされる点に注意。必要ならば外れ値を事前に処理するか、clip=True で上限を制限しましょう。

4. 逆変換と応用 #

original = scaler.inverse_transform(scaled)

モデルの予測結果を元の単位に戻すことができます。オートエンコーダで 0〜1 の範囲に収めた特徴量を、後段のアプリに渡す際にも役立ちます。

まとめ #

• MinMaxScaler は特徴量を任意のレンジに線形変換し、特定の範囲に収めたい用途に適している。
• feature_range と clip の調整で、活性化関数との相性や外れ値の影響をコントロールできる。
• 逆変換を使えばビジネス側に元の単位で結果を説明できるため、実運用でも扱いやすい。