• 会員限定
  • 2021/12/13 掲載

機械学習で「超重要な」特徴量とは何か? 設計方法などについてわかりやすく解説する

連載:G検定対策講座

  • icon-mail
  • icon-print
  • icon-hatena
  • icon-line
  • icon-close-snsbtns
記事をお気に入りリストに登録することができます。
機械学習の理解と活用のために不可欠な概念の1つに「特徴量(feature)」があります。この記事ではこの特徴量とは何か、機械学習における特徴量の重要性、予測精度を高める特徴量エンジニアリング(特徴量設計)について解説していきます。

執筆:GRI データ分析官・講師 ヤン・ジャクリン

執筆:GRI データ分析官・講師 ヤン・ジャクリン

1987年生、北京生まれ、米国東海岸出身(米国籍)、小学高学年より茨城県育ち、東京大学理学部卒、東京大学大学院理学系研究科博士課程修了(理学博士)、高エネルギー加速器研究機構にて博士研究員(素粒子物理学)を経て、2017年7月より現職。
主要実績:
2010-17 国際学会の発表15件、日本物理学会など国内学会の発表5件 Physics Review D, Physical Review Letters等の科学誌への投稿多数
2018〜 データサイエンスの講座を開設、企業向け研修サービスを開始
2019〜 Tableau Desktop Certified Associate 認定資格習得
研修内容:G検定、機械学習、深層学習、Pythonプログラミング、データ加工、可視化分析(Tableau) 他
得意技:驚異的な行動力と素粒子をも通さない隙のない話術

photo

※本記事は『ディープラーニングG検定(ジェネラリスト)最強の合格テキスト[明瞭解説+良質問題]』をもとに再構成したものです。

機械学習の活用で重要な概念「特徴量」

 機械学習とは人工知能(AI)の手法の1つであり、大量な学習データをもとに法則やパターンを見出すことです。

 学習が完了した機械学習プログラムは学習済みモデルと呼びます。では、学習済みモデルの理想的な姿とはどんなものでしょうか?

 その答えは、「汎用的なパターンを習得できて、新しいデータに対して、満足できる精度で予測を行える」ことです。

 上記でいう「汎用的なパターン」を大量のデータから見つけ出す際に、データのどのような特徴に着目すべきか、を表す変数が「特徴量」です。機械学習モデルを構築するために、特徴量を人が指定しなければいけません。

 特徴量は機械学習の活用にとって大変重要な概念です。以下でまずは、「特徴量」を徹底的に理解してもらいたいと思います

特徴量とは何か?

 特徴量とは、一言で表すと、分析対象データの中の、予測の手掛かりとなる変数のことです。

 皆さんが普段よく扱うExcelファイルやCSVのような表形式のデータを考えましょう。特徴量の大雑把なイメージとして、データの1つの「列」が1つの特徴量に対応すると思ってください。

 たとえば、図1にあるようなプロフィールデータから、ある人が特定のサービスに契約するかどうかを予測するケースを想像してください。直感的に、データにある「年齢」「年収」「勤務年数」などが特徴量として使えそうな変数ですね。

画像
図1:表データの列が特徴量である

 さまざまな具体例を通じて、もっともっと明瞭に、特徴量のイメージを伝えていきましょう。

構造化データの場合の特徴量

 構造化データとは、明確に「列」「行」の構造と概念を持っている表型データです。よく使われる Excelや CSVのデータファイルはまさにそうです。「A 行:B 列」を指定することで、1つのデータ要素を確実に指定することが可能です。

 目視で「どこに何があるか」が列構造で決まっているため、集計、演算、 比較などのデータ操作が比較的行いやすいです。

 構造化データの中で、データ分析によく利用されるのは、売上履歴データです。よく聞く「売上予測」の場合、分析担当者が特徴量として指定しうる項目としては、曜日、祝日か平日か、気温、湿度、割引の有無、クーポンの枚数などが挙げられます。

 これらを特徴量としてモデルを学習させ、来月に関する同じ変数を学習済みモデルに入力することで、来月の売上を予測することが原理的に可能です。

非構造化データの場合の特徴量

 非構造化データは、構造が統一的な「列」と「行」で整理されていません。画像、音声、文章が例として挙げられます(図2)。

画像
図2:非構造化データ(画像、音声、テキスト)の場合の特徴量のイメージ

 画像を機械学習で解析する場合の特徴量は、画素(ピクセル)の集合体です。例えば、腫瘍細胞の症例画像から腫瘍が良性なのか悪性なのかをAIを用いて判定したい場合、患部の画像をRGB情報として読み込み、色合いが近い部分に着目します。

photo
『ディープラーニングG検定(ジェネラリスト)最強の合格テキスト[明瞭解説+良質問題]』
画像をクリックすると購入ページに移動します
 これをもとに、今度は腫瘍細胞の面積や周長や表面の特徴など高度な特徴量を組み合わせて使用してパターンを学習します。

 音声認識の場合の特徴量は、音波の波形を処理した結果です。自然言語処理の場合、テキストデータにおける特徴量とは、一般的に注目文言の出現頻度や重要度の指標、そして独特な手法で単語を数値化したベクトルなどが使われます。

 構造化データに比べて、非構造化データは取得・解釈・利用が難しい場合があります。また、人間による特徴量の指定が難しいです。たとえば、人間が画像を見たときに、明るさや形状の違いが分かっても、ピクセルレベルでどこに着目すればよいのかを判断できません。

 しかし、近年はインターネットやソーシャル・メディアなどの普及により、文章、音声、画像が大量に発信されており、非構造化データをうまく利用する技術が重要性を増しています。

 そこで、非構造化データには、ニューラルネットワークを適用することが多いです。ニューラルネットワークは、「データのどこを特徴量として学習すべきか」を人間が指定することなく、自らそれを選択できることを特徴とする機械学習の手法です。

【次ページ】過学習と特徴量設計を考える

関連タグ

関連コンテンツ

あなたの投稿

    PR

    PR

    PR

処理に失敗しました

人気のタグ

投稿したコメントを
削除しますか?

あなたの投稿コメント編集

機能制限のお知らせ

現在、コメントの違反報告があったため一部機能が利用できなくなっています。

そのため、この機能はご利用いただけません。
詳しくはこちらにお問い合わせください。

通報

このコメントについて、
問題の詳細をお知らせください。

ビジネス+ITルール違反についてはこちらをご覧ください。

通報

報告が完了しました

コメントを投稿することにより自身の基本情報
本メディアサイトに公開されます

必要な会員情報が不足しています。

必要な会員情報をすべてご登録いただくまでは、以下のサービスがご利用いただけません。

  • 記事閲覧数の制限なし

  • [お気に入り]ボタンでの記事取り置き

  • タグフォロー

  • おすすめコンテンツの表示

詳細情報を入力して
会員限定機能を使いこなしましょう!

詳細はこちら 詳細情報の入力へ進む
報告が完了しました

」さんのブロックを解除しますか?

ブロックを解除するとお互いにフォローすることができるようになります。

ブロック

さんはあなたをフォローしたりあなたのコメントにいいねできなくなります。また、さんからの通知は表示されなくなります。

さんをブロックしますか?

ブロック

ブロックが完了しました

ブロック解除

ブロック解除が完了しました

機能制限のお知らせ

現在、コメントの違反報告があったため一部機能が利用できなくなっています。

そのため、この機能はご利用いただけません。
詳しくはこちらにお問い合わせください。

ユーザーをフォローすることにより自身の基本情報
お相手に公開されます