特徴量生成とは、機械学習モデルの予測精度を向上させるために、既存のデータから新しい予測の手がかり（特徴量）を作り出すプロセスです。ドメイン知識や統計的手法を用いて、データの掛け合わせや集計、テキストのベクトル化などを行い、モデルがパターンの学習を容易に行えるように支援します。データ前処理において極めて重要な工程の一つです。
特徴量生成とは
特徴量生成とは、機械学習モデルの学習効率や予測精度を高める目的で、元のデータソースに存在する項目を加工・組み合わせ、モデルにとって有用な新しい変数（特徴量）を作り出すデータ前処理の工程です。
詳しく解説
機械学習モデルは与えられたデータをそのまま学習するだけでは、複雑なパターンや隠れた関係性を十分に捉えられないことがあります。特徴量生成は、データサイエンティストのドメイン知識や統計的アプローチに基づき、元のデータをモデルが理解しやすい形式に変換・創造するプロセスです。例えば、日付データから「曜日」や「祝日フラグ」を生成したり、数値同士の掛け合わせや比率を計算して新たな指標を導入したりします。これにより、機械学習モデルは複雑な関係性を効率よく学習できるようになり、予測精度の劇的な向上が期待できます。近年ではディープラーニングの発展により特徴量の自動抽出も進んでいますが、テーブルデータの分析においては手動での特徴量生成が依然として極めて重要です。
具体例・使われ方
具体的な例として、ECサイトの購買データ分析が挙げられます。「購入日時」という元のデータから、「深夜の購入か否か」を示すフラグや「前回の購入からの経過日数」を計算して新しい特徴量として追加します。また、顧客の「年齢」と「年収」を掛け合わせて「購買力指標」を生成するようなケースも特徴量生成にあたります。テキストデータから特定のキーワードの出現頻度をカウントして数値化する処理も、代表的な一例です。
似た用語との違い
特徴量生成と混同されやすい概念に「特徴量選択」と「特徴量抽出」があります。特徴量選択は、既存の特徴量群の中からモデルの予測に寄与する有用なものだけを絞り込む作業を指し、新しい変数は作成しません。特徴量抽出は、主成分分析（PCA）などの数学的手法を用いて、元のデータの情報量を維持しつつ次元削減を行うプロセスです。これに対し、特徴量生成は既存のデータを元に「全く新しい変数を作り出す」という点で異なります。
注意点
特徴量生成を行う際の注意点として、「データ漏洩（データリーク）」があります。これは、予測時に得られない未来の情報やテストデータの統計量を訓練データの特徴量生成に混ぜてしまうことで、評価上の精度が不自然に高く見えてしまう現象です。また、無計画に大量の特徴量を作りすぎると、モデルが過学習（オーバーフィッティング）を起こし、未知のデータに対する予測性能が低下する原因になります。そのため、生成した後は適切な評価や選択が必要です。