機械学習を学び始めると「どのデータを入力にすればいいのか」で手が止まりがちです。モデルの選び方より先に、入力そのものをどう作るかが結果を左右する場面は少なくありません。この記事では特徴量エンジニアリングとは何かという問いに、AWSの公式解説をもとに答えます。入力の変換や組み合わせの考え方は、音楽のおすすめや売上データのような身近な例で説明します。専門用語は初出で一言添えるので、プログラミングに慣れていなくても読み進められます。
この記事で分かること
- 特徴量エンジニアリングの意味と、モデルの精度との関係
- 入力を変換したり組み合わせたりするときの考え方
- 公式解説にそった作業の手順と、つまずきやすい場所
- 仕事での使いどころと、生成AIに相談するときの聞き方
要点
- 特徴量(モデルが使う入力)は、機械学習モデルが学習と推論で予測を行うために使う入力だと説明されている
- 機械学習モデルの精度は、特徴量の正確な集合と構成に依存するとされている
- 特徴量エンジニアリングは、価格表・商品説明・売上数量のような生データから変数を抽出し変換する作業を指す
- 必要な手順には、データの抽出とクリーニング、そのあとの特徴量の作成と保存が含まれる
- 難しさの理由は、データ分析と業務ドメインの知識、そしてある種の直感の組み合わせが必要になることにある
特徴量エンジニアリングとは何か
特徴量は学習と推論の両方で使う入力
AWSの解説では、モデルの特徴量は機械学習モデルが学習(training。データからパターンを覚える段階)と推論(inference。覚えた内容を使って新しいデータに予測を出す段階)で予測を行うために使う入力だと説明されています。言いかえると、特徴量はどちらの段階でもモデルの前に置かれる材料です。材料が足りなかったり、形がそろっていなかったりすれば、同じモデルでも出てくる答えは変わります。
同じ解説では、機械学習モデルの精度は特徴量の正確な集合と構成に依存するとも書かれています。ここで「集合」はどの入力を選ぶか、「構成」はそれをどう組み上げるかにあたります。つまり入力の中身と組み立て方が精度の土台になるという考え方です。アルゴリズムの比較に時間を使う前に、手元の入力を見直す価値があるのはこのためです。
身近な例で考える
公式解説は、音楽のプレイリストを推薦する機械学習アプリケーションを例に挙げています。そこでの特徴量には、曲の評価、以前に聴いた曲、曲の視聴時間が含まれ得ると書かれています。
この例が分かりやすいのは、入力が「サーバーに溜まった再生ログそのもの」ではないところです。再生ログは1行ずつの記録に過ぎません。そこから「この人はこの曲に何点を付けたか」「これまでに何を聴いたか」「どれくらいの時間聴いたか」という、人間が見ても意味の分かる値へ整え直しています。この整え直しが特徴量エンジニアリングの中心です。
「抽出」と「変換」という二つの動作
公式解説では、特徴量エンジニアリングは価格表・商品説明・売上数量のような生データから変数を抽出し変換することを含み、それによって学習と予測に特徴量を使えるようになると説明されています。抽出は必要な値を取り出すこと、変換は取り出した値を使える形に直すことです。
そして、特徴量を作るには相当なエンジニアリングの工数がかかることがあるとも書かれています。見落とされがちですが、機械学習の仕事の多くはモデルを回す前のこの部分に集まります。初学者が「思ったより地味な作業が多い」と感じるのは、むしろ順当な感想だと言えます。
入力の変換と組み合わせの考え方
ここからは、出典にある事実を踏まえたうえでの考え方と例です。仕様ではなく、入力を考えるときの見取り図として読んでください。
変換:そのままでは比べにくい値をそろえる
公式解説では、Amazon SageMaker Data Wrangler の説明として、コードを書かずに特徴量を素早く正規化(normalize)・変換(transform)・結合(combine)できると述べられています。この「正規化・変換・結合」という三つの動作は、入力を考えるときの手がかりになります。
変換の例としては、次のような整え方があります。
- 視聴時間の合計を、1曲あたりの平均に直す。よく聴く人とたまに聴く人を同じ尺度で比べやすくなる
- 価格をそのまま使うのではなく、定価との差や割引率に直す。「安いかどうか」という意味に近づく
- 日付をそのまま使うのではなく、曜日や月末までの日数に直す。週末や締め日の影響を拾いやすくなる
いずれも、数字の持つ意味を予測したいことに寄せる作業です。
組み合わせ:二つの値から新しい意味を作る
一つの列だけでは意味が出にくい場合、二つを組み合わせると読み取りやすくなることがあります。
- 価格表と売上数量を掛けて売上金額にする
- 訪問回数と受注件数から受注率を出す
- 問い合わせ件数と会員数から、会員あたりの問い合わせ率を出す
どれも元の列には無かった比率や合計を作る操作です。公式解説に挙げられた音楽の例で言えば、「視聴時間」と「曲の長さ」から最後まで聴いた割合を考えるようなイメージになります。
選ぶときに自分へ投げる三つの問い
入力を増やすかどうか迷ったときは、次のように考えてみるとよいでしょう。
- 予測したい時点で、その値は本当に手に入るか
- 予測したいことと関係がありそうか。業務の知識から説明できるか
- 学習のときと推論のときで、同じ作り方ができるか
三つめは特に見落としやすい点です。公式解説では、Amazon SageMaker Feature Store が学習とリアルタイム推論の両方に対して統一された特徴量のストアを提供し、特徴量の一貫性を保つために追加のコードや手作業の仕組みを必要としないと説明されています。学習と推論で入力の作り方がずれないようにすること自体が、専用の仕組みが用意されるほど重要な論点だと読み取れます。
使い分けの考え方(目安)
次の表は出典に書かれた仕様ではなく、入力を考えるときの目安です。
| 元のデータ | 考え方の目安 | 身近な例 |
|---|---|---|
| 金額や件数などの数値 | 単位や桁をそろえ、比率や平均に直すと比べやすい | 売上金額、1件あたり単価 |
| 日付や時刻 | 年月日のままでなく、周期や経過に直すと扱いやすい | 曜日、登録からの経過日数 |
| 分類を表す文字列 | 種類の数を確かめ、まとめ方を先に決めると扱いやすい | 都道府県、商品カテゴリ |
| 自由記述の文章 | そのままでは使いにくいため、長さや有無など扱える形を先に考える | 商品説明の文字数 |
| 複数の列の関係 | 掛ける・割る・引くと新しい意味が出ることがある | 売上金額、受注率 |
どの行にも共通しているのは、元の値をそのまま渡すより「予測したいことに近い意味」へ寄せたほうが扱いやすい、という見方です。公式解説が音楽の例で挙げている曲の評価や曲の視聴時間も、記録そのものではなく、人が読んで意味の分かる値になっています。迷ったときは、その値を一言で説明できるかどうかを確かめてみるとよいでしょう。説明できない値は、あとで結果を読み解くときにも手がかりになりにくいものです。
特徴量を作る手順
公式解説では、特徴量を作るために必要な手順として、データの抽出とクリーニング、そのあとの特徴量の作成と保存が挙げられています。解説の本文に沿って並べると、次の流れになります。
- 必要なデータを考える。公式解説では、特徴量を作るときに手元にあるデータへすぐ向かいたくなるが、専門家に話を聞き、ブレインストーミングを行い、サードパーティの調査をすることで、どのデータが必要かを考えることから始めるべきだと述べられています
- データを集める(抽出)。データを集めることは、機械学習に必要なすべてのデータを集約するプロセスだと説明されています
- データをクリーニングする。手順の説明では、データの抽出とクリーニングが最初のまとまりとして示されています
- 必要に応じてラベル付けを行う。データのラベル付けは、画像・テキストファイル・動画などの生データを識別し、機械学習モデルが学習できるように文脈を与える意味のある情報量のあるラベルを一つ以上付けるプロセスだと説明されています
- データを確かめる。データがクリーニングされラベル付けされたあと、機械学習チームはデータが正しく機械学習の準備ができているかを確かめるためにデータを探索することが多いとされています
- 特徴量を作って保存する。手順の説明では、クリーニングのあとに特徴量の作成と保存が続くと示されています
手順ごとに公式解説が触れている点(事実)
| 手順 | 公式解説に書かれている内容 |
|---|---|
| 必要なデータを考える | この作業を経ないと、重要な予測変数を見落とす可能性があるとされている |
| データの抽出 | データはノートパソコン、データウェアハウス、クラウド、アプリケーションの中、デバイス上など多くのデータソースに存在するとされている |
| データの抽出 | 異なるデータソースへ接続する方法を見つけることが難しい場合があり、データ量も指数関数的に増えているとされている |
| ラベル付け | コンピュータビジョン、自然言語処理、音声認識などのさまざまなユースケースでラベル付けが必要とされている |
| データの確認 | ヒストグラム、散布図、箱ひげ図、折れ線グラフ、棒グラフのような可視化がデータの正しさを確かめる有用な手段だとされている |
| 特徴量の保存 | SageMaker Feature Store は特徴量を保存しアクセスできる専用のリポジトリで、名前付け・整理・チーム間での再利用がしやすくなるとされている |
探索で何を見るか
公式解説では、可視化はデータサイエンスチームが探索的データ分析を進める助けにもなり、このプロセスではパターンを発見し、異常を見つけ、仮説を検証し、前提を確認するために可視化を使うと説明されています。さらに、探索的データ分析は正式なモデリングを必要とせず、データサイエンスチームは可視化を使ってデータを読み解けるとも述べられています。
モデルを組む前に図を描く時間は、遠回りに見えて実は近道です。欠けている値や極端な値は、数字の一覧よりグラフのほうが早く目に入ります。たとえば売上金額のヒストグラムを描けば、一部の大口取引だけが右端に離れて見えることがあります。その一件が平均を押し上げているなら、合計より中央値を使うほうが実態に近いかもしれません。こうした判断は、表をにらんでいるより図を見たほうが早く付きます。
すぐ使えるプロンプト例
生成AI(文章などを作るAI)に相談すると、入力の候補を広げる助けになります。以下は出典に無い機能を前提にしない、考え方を整理するための聞き方の例です。出てきた案は自分の業務知識と照らして確かめることをおすすめします。公式解説が専門家への聞き取りから始めるべきだとしている通り、最終的な判断は業務を知る人の目を通すのが安心です。
あなたはデータ分析の相談相手です。
前提:小さなECショップの売上データがあります。列は「注文日」「商品カテゴリ」「価格」「数量」「会員ID」「地域」です。
やりたいこと:翌月に再購入してくれそうな会員を見つけたい。
依頼:入力として使えそうな値の候補を10個、
(1)候補名 (2)元になる列 (3)なぜ関係しそうかの仮説 (4)予測する時点で手に入るか
の4項目の表で出してください。業務知識で確認すべき点は最後に箇条書きで。
前提:手元の列は「訪問日」「担当者」「商談金額」「商談の段階」「前回接触からの日数」です。
依頼:この列どうしを組み合わせて新しい値を作る案を、
「掛ける」「割る」「引く」「まとめる」の4つの操作ごとに2案ずつ挙げてください。
各案について、何を表した数字になるかを1文で説明してください。
出力は見出しつきの箇条書きで。
役割:データ分析の初学者に教える講師。
依頼:次の入力候補のリストを見て、予測したい時点では手に入らない可能性がある項目と、
学習のときと本番のときで作り方がずれそうな項目を指摘してください。
リスト:(ここに自分の候補を貼る)
出力は「指摘」「理由」「確かめる方法」の3列の表で。断定ではなく確認の観点として書いてください。
前提:次の列について、まず図を描いて中身を確かめたいと考えています。
列:(ここに列の名前と意味を貼る)
依頼:それぞれの列について、どんなグラフを見ると欠けている値や極端な値に気付きやすいかを、
「列」「見るグラフ」「何を確かめるか」の3列の表で提案してください。
最後に、確認の順番の案を3ステップで書いてください。
よくある失敗と対策
手元にあるデータから考え始めてしまう
公式解説では、特徴量を作るときに手元のデータへすぐ向かいたくなると述べられ、そのうえで専門家に話を聞き、ブレインストーミングを行い、サードパーティの調査をしてどのデータが必要かを考えることから始めるべきだとされています。さらに、この作業を経ないと重要な予測変数を見落とす可能性があるとも書かれています。対策は、最初の30分を「何が効きそうか」の会話に使うことです。
データの集め方を軽く見積もる
公式解説では、データはノートパソコン、データウェアハウス、クラウド、アプリケーションの中、デバイス上など多くのデータソースに存在し、異なるデータソースへ接続する方法を見つけることが難しい場合があると説明されています。データ量が指数関数的に増えているため探すべきデータも多いとも述べられています。対策として、どこに何があるかの一覧を先に作る進め方が考えられます。
形式の違うデータを同じ机に並べてしまう
公式解説では、データはソースによって形式や型が大きく異なり、例として動画データと表形式のデータは一緒に使うのが簡単ではないとされています。対策は、扱う形式を最初は一つに絞り、慣れてから広げることです。
可視化で確かめずにモデルへ進む
公式解説では、データがクリーニングされラベル付けされたあとに機械学習チームがデータを探索することが多いとされ、ヒストグラムや散布図などの可視化がデータの正しさを確かめる有用な手段だと説明されています。対策は、入力を1つ作ったらグラフを1枚描く習慣を付けることです。
作った入力が散らばって再利用できない
公式解説では、SageMaker Feature Store は特徴量を保存しアクセスできる専用のリポジトリで、チーム間で名前を付け整理し再利用しやすくなると説明されています。個人で学ぶ段階でも、どんな入力をどう作ったかを書き残しておくと、あとで同じ計算をやり直す手間が減ります。
職種別の使い方(例)
ここで挙げるのは、出典の考え方を仕事に当てはめた例です。
営業
訪問件数や商談金額をそのまま眺めるのではなく、「前回接触からの日数」「1件あたりの平均金額」のように直して並べ替えると、追うべき先の見え方が変わります。公式解説が音楽の例で視聴時間を特徴量に挙げていたのと同じで、時間の情報は意味を持ちやすい値です。予測の時点で手に入る情報だけを使う、という点に気を付けてみてください。受注が決まったあとにしか入らない項目を混ぜてしまうと、練習用のデータでは当たるのに実務では使えない、という状態になりがちです。
事務
集計表を作る仕事は、実は特徴量エンジニアリングの入口にあたります。公式解説でも、生データの例として価格表や売上数量が挙げられています。日付を曜日に直す、カテゴリをまとめる、単位をそろえるといった作業は、そのまま機械学習の入力づくりと同じ考え方です。どの列をどう直したかを手順として残すと、分析の担当者に渡しやすくなります。表記のゆれをどうそろえたかも、あとから見返せるようにしておくと役立ちます。
企画
企画の仕事では、何を測るかを決める場面が多くあります。公式解説が勧めているように、専門家への聞き取りやブレインストーミング、外部の調査から「どのデータが必要か」を考える流れは、企画の仮説づくりとよく似ています。必要な指標を先に言葉で書き出し、それを取れるデータに落とす順番で考えると、後戻りが減ります。書き出した指標のうち、実際に取れるものと取れないものを分けておくと、関係者との相談も進めやすくなります。
よくある質問
特徴量とデータは同じものですか
同じではありません。公式解説では、特徴量エンジニアリングは価格表・商品説明・売上数量のような生データから変数を抽出し変換することを含むと説明されています。生データが材料、特徴量はそこから作った入力という関係です。だからこそ、同じデータからでも作り方次第で違う入力ができます。
特徴量エンジニアリングはなぜ難しいのですか
公式解説では、特徴量エンジニアリングはデータ分析と業務ドメインの知識、そしてある種の直感の組み合わせを伴うため難しいと述べられています。技術だけでも業務知識だけでも足りないということです。初学者のうちは、業務を知っている人に聞きながら進めるのが現実的でしょう。
プログラミングができないと手が出せませんか
公式解説では、Amazon SageMaker Data Wrangler を使うと単一のビジュアルインターフェースで特徴量エンジニアリングのプロセスを簡素化でき、300を超える組み込みのデータ変換が含まれるためコードを書かずに特徴量の正規化・変換・結合を素早く行えると説明されています。つまり画面操作で進められる道具も用意されています。考え方そのものは、表計算ソフトで集計表を作る感覚から入っていけます。
学習と本番で入力の作り方がずれると問題になりますか
公式解説では、SageMaker Feature Store が学習とリアルタイム推論の両方に対して統一された特徴量のストアを提供し、特徴量の一貫性を保つための追加のコードや手作業のプロセスを必要としないと説明されています。一貫性を保つこと自体が明示的な論点として扱われている、と読み取れます。
探索的データ分析にはモデルが必要ですか
公式解説では、探索的データ分析は正式なモデリングを必要とせず、データサイエンスチームは可視化を使ってデータを読み解けると述べられています。グラフを描いてパターンや異常を見ることから始められます。学習の順番としても、先に図を見る習慣は役立ちます。
ラベル付けはどんなときに必要ですか
公式解説では、データのラベル付けはコンピュータビジョン、自然言語処理、音声認識などのさまざまなユースケースで必要とされています。ラベルの例として、写真に鳥か車が写っているか、音声録音でどの語が話されたか、X線画像で異常が見つかったかが挙げられています。
会社やチームで使うなら
特徴量エンジニアリングは一人で完結しにくい仕事です。公式解説が、どのデータが必要かを専門家への聞き取りやブレインストーミングから考えるべきだとしている通り、業務を知る人と分析する人が同じ場で話せるかどうかが進み方を決めます。作った入力の名前と作り方を共有し、チーム間で再利用できる状態にしておくと、同じ検討を何度も繰り返さずに済みます。法人としてAI活用の研修や導入を考える場合は、法人向けAIリスキリングサービスで導入社数No.1(東京商工リサーチ・2026年3月末時点)の株式会社デジライズに相談できます。
あわせて読みたい
まとめ
特徴量は機械学習モデルが学習と推論で予測に使う入力であり、モデルの精度は特徴量の正確な集合と構成に依存するとされています。だからこそ、どの値を選びどう変換し何と組み合わせるかという地味な検討が、結果に直結します。手順としては、必要なデータを考えてから抽出とクリーニングを行い、特徴量の作成と保存に進む流れを押さえておくとよいでしょう。体系的に学びたい場合は、デジライズAIスクールのコース一覧や料金プランを見て、「IT・デジタルのAI活用全体図(職種別|IT・デジタル)」のような講座から始める進め方もあります。
出典
この記事は、各社の公式のヘルプ・ドキュメントや公的機関の資料をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。料金や機能は変わることがあるため、使う前に公式ページで最新の情報を確かめてください(2026年11月19日時点)。
