ダミー変数とは、性別や地域などのカテゴリデータを機械学習モデルや回帰分析で扱えるよう、0と1の数値に変換したものです。データの種類やモデルに応じて適切な符号化を行うことで、定性的な情報を数値的に正しく処理できるようになります。
ダミー変数とは
詳しく解説
機械学習や統計学の多くのアルゴリズムは、数値データを入力として計算を行います。そのため、文字やカテゴリで表されたデータをそのままモデルに入力することはできません。そこで、例えば「晴れ」「雨」「曇り」といったデータを、それぞれの状態を表す独立した変数として分離し、該当する場合は1、該当しない場合は0を割り当てる変換を行います。この仕組みにより、非数値データを定量的な分析に組み込むことが可能になります。
具体例・使われ方
例えば、顧客の居住地が「東京」「大阪」「名古屋」のいずれかである場合、「東京フラグ」「大阪フラグ」「名古屋フラグ」という3つのダミー変数を作成します。東京に住む顧客の場合、東京フラグが1、それ以外は0となります。また、ディープラーニングや機械学習の前処理において、one-hot表現を用いて同様の多値変換を行うことが一般的です。
似た用語との違い
連続値データが数直線上の任意の数値をとるのに対し、ダミー変数は0と1の二値のみをとる点が異なります。また、多値のカテゴリをそのまま1, 2, 3と整数に置き換えると、誤った大小関係や順序をモデルが学習してしまうリスクがあるため、ダミー変数を用いて並列なフラグとして表現する点が特徴です。
注意点
カテゴリの数だけダミー変数を作成すると、変数同士が完全に相関してしまう「多重共線性」という問題が発生し、回帰分析などの係数が不安定になる恐れがあります。これを避けるため、通常は全カテゴリ数から1つを基準として除外し、残りのカテゴリ数分の変数を作成することが重要です。