--- title: "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】" description: "特徴量は、機械学習モデルが予測や分類に使う入力データです。目的変数や生データとの違い、特徴量エンジニアリング、リークや不要な変数による精度低下を避ける実務上の判断ポイントをDS検定向けに整理します。数値化・カテゴリ変換・業務知識の使いどころも確認します。" last_modified_at: "2026-06-24" canonical_url: "https://stemtazoo.github.io/ds/feature/" section: "ds" ---
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。 ```text 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