特徴量選択とは、機械学習モデルの構築において、予測や分類に最も寄与する重要なデータ項目（特徴量）を絞り込むデータ前処理のプロセスです。不要なノイズや重複するデータを除外することで、学習の高速化、過学習の防止、およびモデルの解釈性の向上を実現できます。主要な手法にフィルター法やラッパー法、埋め込み法があります。
特徴量選択とは
特徴量選択（Feature Selection）とは、機械学習モデルの訓練に使用する膨大なデータ群の中から、予測に有効な重要度の高い特徴量（入力変数）のみを抽出し、不要なデータやノイズを取り除く手法のことです。
詳しく解説
機械学習において、入力データの次元数（特徴量の数）が多すぎると、モデルの学習が不安定になったり、計算コストが膨大になったりする「次元の呪い」が発生します。特徴量選択はこれを防ぐために重要です。主なアプローチには以下の3つがあります。1つ目はフィルター法（Filter Method）で、統計的尺度を用いてモデル訓練とは独立に特徴量を評価・選択します。2つ目はラッパー法（Wrapper Method）で、特定の機械学習アルゴリズムを用いて、異なる特徴量の組み合わせで実際にモデルを訓練し、その精度を基準に最適な組み合わせを選択します。3つ目は埋め込み法（Embedded Method）で、モデル訓練プロセス自体に特徴量選択の仕組みが組み込まれている手法です。
具体例・使われ方
例えば、住宅価格予測モデルを構築する際、入力データに「敷地面積」「駅からの距離」のほかに、「元の所有者の誕生日」や「調査日の天気」のような予測に無関係な情報、あるいは重複する項目が含まれているとします。特徴量選択を適用することで、予測性能を損なうことなく、価格決定に直接関わる有用な項目だけを残してモデルを構築できるようになります。
似た用語との違い
特徴量選択と混同されやすい概念に「特徴量抽出」があります。特徴量選択は、既存の特徴量からそのまま必要なものを「選別する」手法です。一方で、特徴量抽出は主成分分析などに代表されるように、元の多次元データを別の低次元空間へ投影し、新しい特徴量を「合成して作り出す」手法です。元のデータの意味を保持し、解釈性を維持したい場合には特徴量選択が適しています。
注意点
特徴量選択を行えば必ずモデルの精度が向上するわけではありません。選択基準を誤ると、予測に極めて重要な非線形関係を持つ特徴量を見落とすリスクがあります。また、ラッパー法などの手法を適用する場合、過学習を起こしやすくなるため注意が必要です。さらに、埋め込み法を用いる場合は、アルゴリズムごとに適したハイパーパラメータ調整が欠かせません。