特徴選択

特徴選択とは、機械学習や統計モデリングにおいて、入力データが持つ多数の変数（特徴量）のうち、目的変数との関係が強く、予測性能に寄与するものだけを抽出するプロセスを指します。不要な特徴を除外することで、学習アルゴリズムの計算負荷を軽減し、過学習のリスクを低減させる効果が期待できます。また、選択された特徴のみで構成されたモデルは、結果の解釈が容易になるため、実務上の意思決定や知見の抽出にも有用です。特徴選択の手法は大きく、統計的指標に基づくフィルタ型、モデルの性能を評価しながら探索するラッパー型、学習過程に組み込まれる組み込み型の三つに分類されます。各手法はデータの規模や目的に応じて使い分けられ、例えば高次元のテキストデータではフィルタ型が高速に適用でき、少数のサンプルしかない医療データではラッパー型が精度向上に寄与することがあります。