ds data-preparation preprocessing
特徴量エンジニアリングとは？
まず結論
特徴量エンジニアリング（Feature Engineering）とは
機械学習モデルの性能を高めるために特徴量を作成・加工することです。
DS検定では
どのデータを使うか
どのように加工するか
によって モデルの精度が大きく変わる ことを理解しているかが問われます。
直感的な説明
例えば売上予測AIを作るとします。
元データ
日付
気温
売上
このまま使うこともできますが、
日付から
曜日
月
祝日
などを作ると
モデルがパターンを見つけやすくなります。
このように
データを
作る
加工する
変換する
ことを
特徴量エンジニアリング
と呼びます。
定義・仕組み
特徴量エンジニアリングとは
機械学習モデルの入力データ（特徴量）を作成・変換・選択する作業です。
主な目的
モデル性能の向上
学習の安定化
ノイズの削減
代表的な手法
① 新しい特徴量の作成
例
日付 → 曜日
生年月日 → 年齢
② スケーリング
数値の範囲を揃える
例
正規化
標準化
③ カテゴリ変数の変換
文字データを数値に変換
例
One-hot encoding
Label encoding
④ 特徴量選択
不要な特徴量を削除する
どんな場面で使う？
機械学習モデルの精度向上
同じアルゴリズムでも
特徴量によって性能が大きく変わります。
そのため実務では
アルゴリズムより
特徴量設計が重要
と言われることもあります。
データ前処理
特徴量エンジニアリングは
機械学習の
前処理（Preprocessing）
として行われます。
よくある誤解・混同
モデルを変えれば精度は上がる？
必ずしもそうではありません。
多くの場合
特徴量設計の方が性能に影響します。
データをそのまま使う
機械学習では
生データをそのまま使うことは少ないです。
多くの場合
特徴量エンジニアリングによって
加工
変換
選択
が行われます。
DS検定のポイント
DS検定では
「特徴量を加工してモデル性能を向上させる」
という説明があれば
特徴量エンジニアリング
と判断できます。
まとめ（試験直前用）
特徴量エンジニアリングとは
特徴量を作成・加工してモデル性能を高めることです。
ポイント
特徴量の作成
特徴量の変換
特徴量の選択
DS検定では
「モデル性能を高めるための特徴量加工」
と書かれていたら
特徴量エンジニアリング
と判断するのがポイントです。
対応スキル項目（データサイエンス力シート）
機械学習
データ前処理
★ 特徴量エンジニアリングの役割を理解している
🔗 関連記事
- アノテーションとは？（AI学習データを作る重要な作業）【DS検定】
- カテゴリ変数とは？数値データとの違いを整理【DS検定】
- データ拡張（Data Augmentation）とは？画像AIの学習データを増やす方法【DS検定】
- データ抽出と集計の違いとは？（SQL・BIで混同しやすい操作）【DS検定】
- データトランスフォーメーションとは？（非構造化データの変換）【DS検定】