機械学習の予測モデルが何らかの判断を行うとき、その判断の拠り所となるのが特徴量（feature）です。
特徴量とは、モデルに入力されるデータの各項目（説明変数）であり、予測や分類を行う際にモデルが利用する“情報の単位”を指します。
シンプルに言えば、
「モデルが現象を理解するために使う数値化された情報」
です。
人間が判断材料として「広さ」「築年数」「立地」などの要素を総合して家賃を考えるように、機械学習モデルも複数の特徴量を組み合わせて結論を導きます。
具体例でイメージする特徴量の役割
例1：家賃（住宅価格）を予測するモデル
住宅価格を予測するモデルでは、以下のような項目が特徴量になります。
- 専有面積
- 築年数
- 最寄り駅からの距離
- 間取り
- 物件の階数
- エリア属性
これらはすべて、モデルにとっての「説明変数」です。
これらの値を総合して、モデルは「この物件はいくらくらいか」を推定します。
例2：メールのスパム判定
スパムかどうかを判定するモデルでも、特徴量は多様です。
- 本文中のキーワードの有無
- URLの数
- 送信元ドメインの種類
- メール本文の文字数
- 記号やパターン（!!! など）の頻度
こうした情報が、メールをスパムと判断するための材料になります。
特徴量は“生データ”とは限らない：特徴量エンジニアリング
重要なポイントとして、特徴量は元データをそのまま使うとは限らないという点があります。
多くの場合、元データを加工することで、モデルが扱いやすい“意味のある特徴量”へと変換します。
これを特徴量エンジニアリング（Feature Engineering）と呼びます。
| 元データ | 加工して作る特徴量の例 |
|---|---|
| 日付 | 曜日、月、休日フラグ、時間帯など |
| テキスト | 文字数、単語の出現頻度、感情スコアなど |
| 画像 | 色の分布、エッジ強度、CNNが抽出した特徴マップなど |
| センサー時系列 | 平均、最大値、ピークの回数、変動幅など |
特徴量エンジニアリングは、「良い予測モデルをつくるための核心的作業」といわれることも多く、実務ではモデル選択以上に重要視されることも珍しくありません。
特徴量の質がモデル性能を大きく左右する
機械学習モデルの精度は、アルゴリズムの賢さだけで決まるわけではありません。
むしろ実務では、
どんな特徴量を作り、どのようにデータを整えるかが精度の大部分を決める
と言っても過言ではありません。
良い特徴量には以下の特徴があります。
- 予測したい目的変数と適度に関連している
- ノイズが少ない
- 不要な外れ値や欠損値が丁寧に処理されている
- 分布が適切に整えられている（スケーリングなど）
一方、悪い特徴量には以下のような問題があります。
- 目的変数の未来情報を含んでしまう「データリーク」
- 現実の運用環境では取得できない情報を使ってしまう
- 無関連な項目を大量に入れてしまい学習が混乱する
こうした特徴量の質の差は、最終的なモデル精度に“決定的な違い”を生みます。
特徴量の種類：数値とカテゴリ
特徴量は大きく2種類に分かれます。
数値特徴量（Numerical Features）
- 連続値（温度、売上、距離など）
- 離散値（個数、来店回数など）
カテゴリ特徴量（Categorical Features）
- 名義カテゴリ（都道府県、職業など順序がない）
- 順序カテゴリ（★1〜★5の評価、アンケートの段階など順序がある）
カテゴリ特徴量は数値化できないため、以下のような前処理が必要です。
- One-hot Encoding：多くのモデルで安全に使える
- Label Encoding：木構造モデルでは有効だが、線形モデルでは順位関係を誤って解釈されやすい
モデルの特性に応じたエンコーディング手法の選択も、特徴量設計の重要工程です。
ディープラーニングと特徴量の自動抽出
近年の深層学習（ディープラーニング）によって、“特徴量をモデル自身が学習・抽出する”という仕組みが一般的になりました。
特に効果を発揮しているのは以下の分野です。
- 画像認識：CNNがエッジや形状などの特徴を自動抽出
- 音声認識：周波数パターンや時系列構造を自動で学習
- 自然言語処理：BERTなどのモデルが文脈を深く理解した特徴ベクトルを生成
ただし、これは主に 非構造データ（画像・音声・文章） における話です。
売上データや顧客データなど 構造化データ（テーブルデータ） では、依然として人間が特徴量を設計する重要性が非常に高く、成果を左右します。
まとめ：特徴量とは何か
- 特徴量とは、機械学習モデルが予測に用いるデータの各項目（説明変数）である。
- 生データそのものの場合も、加工して作られる場合もある。
- 特徴量エンジニアリングは予測精度を大きく左右する重要な工程。
- 数値・カテゴリなど型に応じた前処理が必要。
- 深層学習では特徴量抽出が自動化される分野もあるが、構造化データでは依然として手動設計が鍵となる。
以上、機械学習の特徴量についてでした。
最後までお読みいただき、ありがとうございました。
