問題
問86
ビッグデータ分析の前段階として、SNSの投稿テキストや画像データといった非構造化データから、分析可能な形式の構造化データ（例：キーワード、感情スコア）を抽出・加工する処理はどれか。
- データウェアハウスの構築
- 特徴量エンジニアリング
- データクレンジング
- データマイニング
正解
正解は「イ」です。
解説
正解は「イ」の特徴量エンジニアリングです。特徴量エンジニアリングとは、機械学習やデータ分析において、元々の生データ（特にテキストや画像のような非構造化データ）から、分析モデルの入力として使えるような、より有益な量的・質的な変数（特徴量）を設計・抽出するプロセスのことです。
例えば、SNSの投稿テキスト（非構造化データ）から、特定のキーワードの出現回数、投稿がポジティブかネガティブかを示す感情スコア、投稿された時間帯などを抽出し、数値データ（構造化データ）に変換する作業がこれにあたります。良い特徴量を作成できるかどうかは、分析モデルの予測精度に大きく影響するため、データ分析において非常に重要な工程です。料理に例えるなら、生の食材（生データ）から、料理（分析モデル）に最も適した形に切り分けたり、下味をつけたりする（特徴量を作る）作業に似ています。
ア(データウェアハウスの構築):
分析目的で、様々なシステムからデータを集めて整理・保管する大規模なデータベースを構築することです。
ウ(データクレンジング):
データの欠損値、重複、表記の揺れなどを修正・削除し、データの品質を高める作業です。特徴量エンジニアリングの前処理として行われます。
エ(データマイニング):
大量のデータの中から、統計的な手法を用いて有益なパターンや知見を発見する分析手法そのものです。
解法のポイント
データ分析のプロセスに関する用語は、それぞれの工程の役割を理解することが重要です。特徴量エンジニアリングは、生のデータと分析モデルの「橋渡し」をする工程と捉えましょう。「非構造化データから分析可能な特徴量を抽出・加工する」という点が最大のキーワードです。データクレンジングは「データの掃除」、データマイニングは「宝探し（分析）」、データウェアハウスは「データの倉庫」というように、各用語の役割を明確にイメージ分けして覚えることが大切です。
用語補足
特徴量エンジニアリング：
データから分析に役立つ「特徴」を取り出す技術です。人の顔写真から「目の間の距離」や「鼻の高さ」といった数値を抽出して、個人を識別しやすくするような作業です。
非構造化データ：
Excelの表のように決まった形式を持たないデータのことです。文章、画像、音声、動画などがこれにあたります。
構造化データ：
行と列で構成される表のように、構造が定義されたデータです。データベースのテーブルなどが典型例です。
データクレンジング：
データをきれいに掃除（クレンジング）することです。例えば、住所録の「東京都千代田区」と「東京都千代田」を統一したり、重複しているデータを削除したりする作業を指します。
