生成AIパスポート 第2章「特徴量」｜AIが見るのは「属性」だという見分け方

生成AIパスポート 第2章「特徴量」｜AIが見るのは「属性」だという見分け方

AIが文章や画像を学習するとき、データのどの部分を見ているのでしょうか。生成AIパスポート第2章で問われる特徴量は、学習の入力となるデータの属性や指標のことです。特徴量が何を指すのかを一言で言えるかどうかが、まず試されます。なお、この記事の問題例は主催団体の公式問題ではなく、シラバスに沿って作ったオリジナルの練習問題です。

1. 特徴量とは何か

特徴量とは、学習するデータの中で、AIが判断の材料として使う属性のことです。たとえば、メールの迷惑判定なら、送信元のドメインや件名に含まれる言葉、本文の長さなどが特徴量になります。画像の分類なら、色の分布や形の特徴が特徴量です。AIはデータそのものを丸ごと覚えるのではなく、特徴量という形に整理された情報からパターンを学びます。試験では、特徴量を「学習の入力となる属性」と説明する選択肢が正解になります。データの属性や指標という言葉が出てきたら、特徴量の説明だと見分けてください。

2. 特徴量と学習データ・ラベルの違い

特徴量と混同しやすいものに、学習データとラベルがあります。学習データは学習に使うデータ全体のことで、特徴量はその中から取り出された判断材料です。ラベルは教師あり学習でデータに付けられる正解のことで、たとえば「迷惑メール」「通常のメール」という分類結果そのものです。特徴量が入力、ラベルが出力の側にあると整理すると分かりやすいです。試験のすり替えパターンとして、ラベルの説明を特徴量の説明として出すものがあります。「正解を表すもの」はラベルであって、特徴量ではありません。入力と出力のどちらを指すのかをまず確認してください。

3. すり替えパターン1：特徴量を「データそのもの」とする

よくあるすり替えが、特徴量を学習データそのものとする選択肢です。たとえば、大量のメールそのものを特徴量とする説明は誤りです。メールそのものは学習データで、そこから取り出した送信元や件名の言葉が特徴量です。もう一つのすり替えが、特徴量をモデルの一種とする説明です。特徴量はモデルではなく、モデルへの入力です。特徴量・学習データ・モデルという3つの言葉を、それぞれ一言で説明できるようにしておくと、取り違えを防げます。

4. すり替えパターン2：特徴量が多ければ必ず良くなる

特徴量の数を増やせば、AIの精度は必ず上がるのでしょうか。答えは、必ずしもそうではありません。関係のない特徴量を増やすと、ノイズが増えて精度が下がることもあります。これは過学習とも関係します。訓練データに適合しすぎると、未知のデータへの精度が下がるからです。特徴量の選び方は、量よりも質が大切です。試験では、特徴量を増やすことを無条件に良いこととする選択肢は誤りとして扱われます。「多ければ良い」という単純な説明には、まず疑ってかかってください。

5. 一問一答で確認する

次の問いに答えてみてください。特徴量の説明として最も適切なものはどれか。1つ目は、学習の入力となるデータの属性や指標である。2つ目は、学習データに付けられる正解のことである。3つ目は、学習済みのモデルのことである。正解は1つ目です。2つ目はラベルの説明、3つ目はモデルの説明で、どちらも特徴量とは別のものです。特徴量は入力の側、ラベルは出力の側という位置関係を覚えておくと、すり替えに強くなります。第2章の特徴量は、派手な用語ではありませんが、機械学習の基礎を問う頻出の論点です。定義を自分の言葉で説明できるまで、繰り返し確認してください。

生成AIパスポートの第2章は、特徴量のほかにも過学習や評価指標など、基礎用語の区別が多く出ます。まとめて練習したい方は、『生成AIパスポート 直前7日ドリル』（ココナラで販売中、1,500円）のDay 2で、練習問題12問と一緒に整理しています。