特徴量エンジニアリング

feature engineering

生データから機械学習モデルが使う入力変数(特徴量)を人が設計し作り出す作業である。

記事1本最終言及

特徴量エンジニアリング(feature engineering)は、生データを加工して機械学習モデルの入力変数である特徴量を設計・選択・変換する作業である。日付から曜日を取り出す、複数の列を組み合わせて新しい変数を作る、カテゴリ値を数値に変換する、値の範囲を正規化する、といった処理が含まれる。従来型の機械学習ではモデル性能を左右する重要な工程で、データと業務領域に関する知識を要する。

XGBoostのような表形式データ向けモデルではタスクごとに特徴量エンジニアリングを繰り返す必要があるが、深層学習は生データから表現を自ら学習するためこの負担が小さい。表形式データ向けの基盤モデルは、この作業をさらに減らそうとする試みである。

この説明は、AIPOSTの記事と広く知られた事実をもとにまとめたものです。誤りがあれば訂正依頼でお知らせください。

この項目を扱った記事

  • NVIDIA Agent Toolkit発表、ハーネス改良で性能30%から100%にAIニュース ·

    対比されるのは従来の表形式データ向け機械学習スタックで、そこではデータサイエンスチームが予測タスクごとにXGBoostやLightGBMを使って別々のパイプラインを構築し、手作業の特徴量エンジニアリング、ETLジョブ、分類モデルと回帰モデルにまたがるベンチマークまで用意しなければなりません。

    記事を読む

説明の誤りや、見つからない項目はありますか?

事典の説明は、AIPOSTの記事と広く知られた事実をもとにまとめています。誤りは訂正依頼でお知らせいただければ、確認して修正します。新しい記事に登場した名前は、記事の公開後に事典に加わります。