Skip to the content.

最終更新日:2026年10月19日

DS検定トップ > 特徴量エンジニアリング演習:顧客表の加工とリーク判定【DS検定】

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

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



© 2024-2026 stemtazoo. All rights reserved.