zスコアと標準化の違いを徹底解説！データ分析初心者がつまずくポイントをわかりやすく解きほぐす

---

zスコアと標準化の基本を押さえる

データを他のデータと比べやすくする方法にはいろいろありますが、基本的には「位置」と「広がり」をそろえることが大事です。ここで登場するのが zスコア と 標準化 です。まずは用語の基本を押さえましょう。

まずは用語の意味をざっくり伝えると、zスコア とは、ある値 x が母集団の平均 μ からどれくらい離れているかを、母集団のばらつきの度合いで割って作る数値です。式は z = (x - μ) / σ。これを使えば、元のデータの単位や尺度が違っても「同じ感覚」で比較できます。つまり、1点の意味を別のテストの点数と比べることが容易になるのです。

一方、標準化 という言葉は、データの尺度をそろえるための広い概念です。標準化 には zスコア標準化 だけでなく、最小値を0・最大値を1にそろえる 正規化（min-max normalization） など、さまざまな方法が含まれます。つまり「標準化」は目的に合わせた前処理の総称であり、中身は状況次第で変わります。これを押さえておくと、データ分析の場面で適切な手法を選びやすくなります。

具体的なイメージをつかむための小さな例を見てみましょう。あるテストの点数が 45、55、70、95 という4点だったとします。平均 μ は約66.25、標準偏差 σ は約22.9です。各点の zスコアは 45 → (45-66.25)/22.9 ≈ -0.95、55 → -0.50、70 → 0.16、95 → 1.27 となります。これにより、各点が平均からどの程度「高い・低い」かを直感的に捉えやすくなります。

このように zスコア は「中心と広がり」を同じ土俵で評価したい場合に強力な道具であり、標準化 の一形態として使われるのが一般的です。

zスコアと標準化の違いを実務で使い分けるポイント

実務ではデータの用途に合わせて使い分けることが大切です。機械学習の前処理でよく使われるのは zスコア標準化 ですが、データを機械が扱いやすい形にそろえるには 0-1 に正規化 など他の方法が適していることもあります。

たとえば、複数の特徴量の規模が大きく異なる場合、モデルが大きな数値に引っ張られてしまうのを防ぐために 標準化 を選ぶことが多いです。一方で、ニューラルネットワークのような特定のアルゴリズムでは 正規化 の方が学習を安定させることがあります。

もう一つの視点は「分布の形」です。 zスコア は元の分布が近似正規分布に近いときに解釈がしやすい反面、歪んだ分布では意味づけが難しくなることもあります。

このように、状況に応じて zスコア、標準化、正規化 を使い分けることが成功の鍵です。

<table><th>指標式zスコア(x-μ)/σ標準化（0-1へ）(x-min)/(max-min)table>

ピックアップ解説

今日は zスコア についての話題を少しだけ深掘りします。友だちとデータの話をしていて、あるテストの点数が偏っていると気づいた瞬間、zスコア がどういう役割を果たすかに気づいたんです。分布の形が正規分布に近い場合、zスコアの解釈は直感的ですが、歪んだ分布だとどうなるのか、実は注意が必要。そこで考えるのは「標準化」自体の意味です。数値を合わせるのは手順の問題であって、結局は“比較可能にする”ことが目的だよね、という結論にたどり着きます。

---