最終更新日:2026年10月19日
ds data-preparation design
まず結論
同じ顧客表を、予測時点で使える特徴量だけに加工してみましょう。 このページは具体例の演習です。操作の全体像は特徴量エンジニアリングの概説で確認できます。
直感的な説明
2026年10月1日に、10月中に購入するかを予測するとします。下表の購入回数と利用月数は、9月30日までの履歴です。「10月購入」は10月終了後に確定する正解で、入力には使いません。
| 顧客ID | 生年月日 | 会員種別 | 過去の購入回数 | 利用月数 | 10月購入 |
|---|---|---|---|---|---|
| A | 1990-01-01 | 一般 | 12 | 6 | 1 |
| B | 1985-05-10 | プレミアム | 3 | 3 | 0 |
見るポイントは、何列増えたかより、予測するときに同じ値を作れるかです。
定義・仕組み
1. 予測時点を固定して年齢を作る
年齢は、基準日の年から出生年を引き、まだ誕生日を迎えていなければ1を引きます。この基準日ではAは36歳、Bは41歳です。過去データにも実行当日の年齢を使うと、当時の状態とずれます。
2. 同じ観測期間の回数と長さから頻度を作る
購入頻度を「過去の購入回数 ÷ 利用月数」とすると、Aは月2回、Bは月1回です。利用月数が0なら割れないため、新規顧客の扱いを別に決めます。
3. カテゴリを表し、列の役割を分ける
この演習では、会員種別を二つの0/1列にします。
| 顧客ID(照合用) | 年齢 | 月当たり購入回数 | 一般 | プレミアム | 正解y(別管理) |
|---|---|---|---|---|---|
| A | 36 | 2 | 1 | 0 | 1 |
| B | 41 | 1 | 0 | 1 | 0 |
入力Xは年齢からプレミアムまでの4列です。顧客IDはこの演習では単なる識別子として入力から外し、正解yも分離します。IDを連番の数値として入れると、意味のない大小関係を学ぶおそれがあります。ID由来の履歴を使う設計とは区別します。
年齢計算をPythonで確認すると、次のようになります。
from datetime import date
def age_at(birth, reference):
before_birthday = (reference.month, reference.day) < (birth.month, birth.day)
return reference.year - birth.year - int(before_birthday)
reference = date(2026, 10, 1)
print(age_at(date(1990, 1, 1), reference)) # 36
print(age_at(date(1985, 5, 10), reference)) # 41
どんな場面で使う?
モデルへ渡す表を作るときや、加工仕様をレビューするときに使います。クリック数や気温など、別の特徴量でも「どの時点で分かるか」を同じように確認します。
回数のスケーリングや欠損補完を学習する場合は、学習データで求めた設定を評価・本番データへ適用します。カテゴリの変換規則も学習データで決め、未知カテゴリの扱いを用意します。
よくある誤解・混同
10月の購入金額も使えばよく当たる?
10月1日には分かりません。将来の購入結果を特徴量に使うとリークになります。後から作る学習用の正解yとして使うこととは別です。
列を増やせば必ず性能が上がる?
この2行だけでは性能は判断できません。十分なデータを分割して評価します。同じ顧客の履歴や時間の前後が評価に混ざらないよう、目的に合わせた分割も必要です。
加工とモデル調整は同じ?
収集した表の入力表現を変えることと、モデルのハイパーパラメータ調整は別です。欠損処理など前処理と重なる操作も、ここでは入力表現を作る目的で行います。
まとめ(試験直前用)
- 年齢は予測基準日で計算する。
- 頻度は回数と対応する利用期間から作る。
- カテゴリ・ID・正解の役割を分ける。
- 将来情報を入力にせず、加工設定は学習データで決める。
公式情報・参考リンク
- scikit-learn:Common pitfalls and recommended practices
- 予測時に使えない情報や、評価データで前処理を学習するリークを避ける考え方を確認できます。
対応スキル項目(ver.6 データサイエンス)
- 分類:解析技術
- スキルカテゴリ:データ準備
- サブカテゴリ:特徴量エンジニアリング
- 必須スキル:—
- ★ 数値データの特徴量化(二値化/離散化、対数変換、スケーリング/正規化、交互作用特徴量の作成など)を行うことができる
- ver.6 ★1スキルチェックで確認する
🔗 関連記事
- アクセス制御リスト(ACL)とは?ファイル権限の基本を整理【DS検定】
- 中間層で使用される活性化関数とは?(ReLU・シグモイド・ソフトマックスの違い)【DS検定】
- アジャイル開発とは?ウォーターフォール開発との違いを整理【DS検定】
- 分析アプローチ設計とは?(分析プロジェクトを成功させる設計プロセス)【DS検定】
- 記述的・診断的・予測的・処方的分析の違いとは?4分類を整理【DS検定】