データ・DX
特徴量エンジニアリングとは？
読み: とくちょうりょうえんじにありんぐ英語: Feature Engineering更新日: 2026-06-26
特徴量エンジニアリングとは、機械学習モデルが学習しやすいように、元データから有用な変数を作る作業です。
DS検定G検定
関連表記: 特徴量エンジニアリング / 特徴量設計 / Feature Engineering
試験で問われるポイント
- モデル性能はアルゴリズムだけでなく特徴量の質にも左右されます。
- 欠損値処理、カテゴリ変換、集計、正規化などと関係します。
- DS検定ではデータ前処理と機械学習の橋渡しとして重要です。
具体例
購買履歴から直近購入日数や平均購入額などの特徴量を作ります。
混同しやすい点
- 特徴量はモデルが必ず自動で最適化してくれると考える。
- 目的変数の情報を不適切に混ぜてしまう。
関連問題で復習
AWS AI PractitionerAI・機械学習の基礎
モデルの精度向上のために「特徴量エンジニアリング」を行う目的として最も適切なものはどれですか。
DS検定データサイエンス
特徴量エンジニアリングと、学習データと評価データの分割との違いを説明したものとして、最も適切なものはどれか。
G検定機械学習の概要・具体的手法
「特徴量エンジニアリング」の説明として、最も適切なものはどれか。
DS検定データサイエンス
特徴量エンジニアリングで特に避けるべき、データリークにあたる操作はどれか。
DS検定データサイエンス
データ分析における時系列分析の説明として、最も適切なものはどれか。
DS検定データサイエンス
データ分析における因果推論の説明として、最も適切なものはどれか。
DS検定データサイエンス
A/Bテストに関する記述として、誤っているものはどれか。
DS検定データサイエンス
A/Bテストを実施する場面での対応として、最も適切なものはどれか。