目的変数とは何か

目的変数とは？

データの中にある、分析の鍵となる項目。

統計では応答変数や従属変数、機械学習ではラベル、式の中ではyと書かれる。

なぜ急所かというと、ここを外すと、どんなに努力しても分析の精度が上がらないのだ。

岩プラス地面タイプに水タイプを当てる。そして急所に当たって8倍ダメージ！！

「みずでっぽう」から「なみのり」に変えても、相性が合っていなければ半分しか通らない。分析でも同じで、モデルを取り替えて上がる精度より、当てる先を置き直して変わる結果のほうが大きい。

目的変数を決めると、作業の中身が決まる。正しいサイクルを繰り返すことで、いい目的変数が得られる。

• 当てたい項目（目的変数）を決める
• 残りの項目（説明変数）から、その値を予測させる
• 本当の答えとのズレ（エントロピー）を測る
• ズレが縮むように中身を調整する

当てる先が決まらないと、この輪は一周も回らない。何を当てるかが先で、データ集めもモデル選びも後から付いてくる。

当て方には2種類ある。

• 数値を当てる。明日の気温、来月の売上。これを回帰と呼ぶ
• カテゴリや項目を当てる。迷惑メールかどうか、どの品種か。これを分類と呼ぶ

この二つの区別は、実際に使う道具の説明書にもそのまま出てくる（scikit-learnの教師あり学習の項）。

そして、種類より効くのが置き場所だ。

システム開発の不具合を分析したときの例。同じデータ、同じやり方で、目的変数の置き方だけを変えた結果がこれになる。情報利得は、その項目を知ることで減る不確かさの量のこと。

目的変数の置き方	情報利得	分析の結果
実装起因・仕様起因・非欠陥の3区分	5%ほど	粒度が粗すぎて、単体テストの設計を直すのに使えるものが何も出てこない
単体で捕捉できる・結合や目視でしか捕捉できない・対象外・要確認の4分類	実用になる水準	単体テストで防げたはずの不具合を拾えるようになった

悪かったのはモデルではなく、目的変数の置き場所だった。

データ分析において、モデルを取り替えるより、目的変数を置き直すほうが結果は変わるということだ。

ちなみに、AIは目的変数探しや、分析と相性が非常にいい。情報流出に気をつけながら、データを見せて、やってもらおう。

まとめ・私見

人間でもAIでも最初は、強さや技に寄りがち。でも現場で効くのは「効果と急所」のほう。

分析の際に、先に目的変数のことを知ってるだけで、大分動きが変わるよ。

豆知識

• 説明変数: 目的変数を当てるための手がかりの項目。特徴量とも呼ぶ（英語ではexplanatory variableやfeature）。手がかりはいくつあってもよいが、当てられる側の目的変数は1回の予測につき一つだけ。
• 回帰: 数値を当てる形式。語源はゴルトンの「平均へ戻る」観察で、いまは手法の名前として使われている。
• 分類: カテゴリや項目を当てる形式。答えの選択肢があらかじめ決まっている。
• ラベル: 機械学習で目的変数の実際の値を指す呼び名。人手で付けることが多い。
• 代理指標: 本当に知りたいものが測れないときに代わりに置く測れるもの。プロキシとも呼ぶ。
• 情報利得: ある項目を知ることで、どれだけ不確かさが減るかの量。目的変数の置き方が適切かを測る目安になる。

歴史

1880年代、フランシス・ゴルトンは遺伝を数字で語る方法を探していた。そこで先に決めたのが、当てたい量のほうだった。子の身長を当てる対象に据え、親の身長との関係を測る。背の高い親の子は親ほど高くならず、平均へ寄って戻る。この観察に付けられた名前が回帰であり、いま回帰と呼ばれている手法の語源になった（Regression towards Mediocrity in Hereditary Stature、1886年）。

次の壁は、当てさせたい答えが手元にないことだった。写真に何が写っているかを機械に当てさせようにも、正解が1枚も用意されていない。2009年に公開されたImageNetは、320万枚の画像に人手で正解を付け、最終的に5000万枚を目標に掲げた。正解を大量に用意すること自体が、研究の前提から仕事へ変わった（ImageNet: A Large-Scale Hierarchical Image Database）。