特徴量（Feature）とは？機械学習で使う入力データを理解する【DS検定】

DS検定トップ＞特徴量（Feature）とは？機械学習で使う入力データを理解する【DS検定】

まず結論

特徴量（Feature）とは、機械学習モデルが学習や予測に使う入力データの項目です。

DS検定では、特徴量を「予測したい値」ではなく、予測するためにモデルへ与える情報として判断できるかが問われます。

特徴量：モデルに入力する情報
目的変数：モデルが予測したい結果
特徴量エンジニアリング：特徴量を作る・変換する作業

直感的な説明

例えば、住宅価格を予測するモデルを作るとします。

モデルに渡す情報として、次のような項目が考えられます。

項目	モデルでの役割
面積	特徴量
築年数	特徴量
駅からの距離	特徴量
部屋数	特徴量
住宅価格	目的変数

この場合、モデルは「面積・築年数・駅からの距離・部屋数」を手がかりにして、「住宅価格」を予測します。

つまり特徴量は、モデルにとっての判断材料です。

同じアルゴリズムを使っても、判断材料が適切でなければ精度は上がりません。逆に、実務に合った特徴量を作ると、単純なモデルでも有用な予測になることがあります。

定義・仕組み

特徴量は、機械学習モデルに入力される変数です。

一般的な流れは次の通りです。

特徴量 → モデル → 予測結果

例えば、顧客の解約予測では次のように整理できます。

種類	例
特徴量	契約期間、利用回数、問い合わせ回数、直近ログイン日
目的変数	解約するかどうか

特徴量は、元データをそのまま使うとは限りません。

生年月日 → 年齢
購買履歴 → 直近30日の購入回数
日付 → 曜日・月・祝日フラグ
住所 → 地域カテゴリ

このように、モデルが学習しやすい形に加工する作業を特徴量エンジニアリングと呼びます。

どんな場面で使う？

機械学習モデルを作るとき

回帰、分類、クラスタリングなど、多くの機械学習では特徴量をもとにパターンを学習します。

売上予測：価格、広告費、季節、在庫数
解約予測：利用頻度、契約期間、問い合わせ回数
不正検知：取引金額、時間帯、過去の取引回数

データ前処理を行うとき

特徴量は、モデルに入れる前に処理が必要になることがあります。

欠損値の補完
標準化・正規化
カテゴリ変数のエンコーディング
外れ値の確認

ビジネス判断に使うとき

特徴量は「モデルが何を手がかりに判断しているか」を説明する材料にもなります。

例えば、解約予測で「直近ログイン日」が重要なら、ログイン頻度の低い顧客へのフォロー施策を考えられます。

よくある誤解・混同

① 特徴量＝データ全部だと思う

すべての列を特徴量にすればよいわけではありません。

モデルに不要な列や、予測時には使えない列を入れると、精度低下やデータリークにつながります。

② 特徴量と目的変数を混同する

用語	意味	住宅価格予測の例
特徴量	モデルに入力する情報	面積、築年数、駅距離
目的変数	予測したい値	住宅価格

選択肢で「モデルに入力する変数」とあれば特徴量、「予測したい値」とあれば目的変数です。

③ 特徴量エンジニアリングと特徴量を同じ意味で使う

特徴量は入力項目そのものです。特徴量エンジニアリングは、その特徴量を作成・変換・選択する作業です。

DS検定では「特徴量を作成する工程」と書かれていれば、特徴量エンジニアリングを指す可能性が高いです。

④ 未来の情報を特徴量に入れてよいと思う

予測時点では分からない情報を特徴量に入れると、実運用では使えない高精度モデルになります。これはデータリークの典型例です。

例えば、解約予測で「解約後に付与されるステータス」を特徴量に入れるのは不適切です。

まとめ（試験直前用）

特徴量は、モデルに入力する説明変数
目的変数は、予測したい結果
特徴量の選び方・作り方は予測精度に大きく影響する
特徴量エンジニアリングは、特徴量を作成・変換する工程
DS検定では「入力する情報」か「予測したい値」かで切り分ける

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

★ 機械学習モデルにおける特徴量の役割を理解している

🔗 関連記事

🏠 DS検定トップに戻る