30秒でわかる要点
元のデータからモデルの予測に役立つ特徴量を作ったり選んだりする作業。従来の機械学習では人が設計していたが、ディープラーニングは特徴量をデータから自動で学習できる点が大きな違い。
「特徴量エンジニアリング」の練習問題
当サイトの練習問題から、この用語に関係する問題をピックアップしました。
Q1特徴量エンジニアリングの役割について最も適切な説明はどれか。
- 生のデータから機械学習モデルに適した特徴を設計・抽出し、モデルの性能を大幅に向上させるプロセス
- 訓練データのサイズを意図的に縮小して、学習を高速化する
- アルゴリズムの複雑性を常に高めることが目標である
- 特徴量エンジニアリングは機械学習では不要であり、ランダムな入力でも同じ結果を得る
答えと解説を見る
正解：A
特徴量エンジニアリングは、生のデータ（画像、テキスト、時系列など）から予測に有用な特徴を設計。適切な特徴を設計することで、同じアルゴリズムでも予測性能が大幅に向上する。B、C、Dは誤り。
Q2特徴量エンジニアリングの目的として最も適切なのはどれか。
- 元データから有用な特徴量を生成・選択し、モデル性能を向上させ、学習効率を改善するためである
- データの削除
- モデルの複雑化
- 原始データのみを使用する
答えと解説を見る
正解：A
特徴エンジニアリング：特徴生成・選択・変換。モデル性能大幅向上。
Q3特徴量エンジニアリングにおける時系列的特徴（Temporal Features）の例として最も適切なのはどれか。
- 時系列データから遅延特徴（lag features）や移動平均（moving averages）を生成し、過去の依存関係を捉えるための特徴である
- 時系列データに不要である
- 外部変数のみを使用する
- 定常性が必須である
答えと解説を見る
正解：A
時系列特徴：遅延・移動統計量など。過去情報活用。
機械学習の問題をまとめて解いて、理解を確かめましょう（無料・登録不要）。
機械学習の練習問題を解く