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。


　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。

　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