説明変数と目的変数
「目的変数は予測したい結果、説明変数はその結果に影響を与える要因」です。機械学習や統計モデルを使った分析の基本になる考え方です。
【例1】売上予測の場合
ある会社が「来月の売上を予測したい」と考えているとしましょう。
- 目的変数（予測したい結果）：来月の売上
- 説明変数（影響を与える要因）：広告費、気温、曜日、キャンペーンの有無、過去の売上 など
このように、売上という「結果」を、さまざまな「要因（説明変数）」を使って予測します
【例2】医療の診断モデルの場合
今度は医療の現場を見てみましょう。「ある病気にかかっているかどうかを予測するAIモデル」を作るとします。
- 目的変数：病気にかかっているかどうか（はい／いいえ）
- 説明変数：年齢、血圧、喫煙歴、体温、過去の検査結果 など
このように、説明変数をもとに、病気の有無（目的変数）を予測します。
モデル
データからパターンを学習し､予測や分類を行うための数学的な枠組みです｡
アノテーション
アノテーションとは、データサイエンスにおいてデータに付与されるラベルやタグのことを指します。主に、機械学習モデルの訓練データセットにおいて、入力データに正解ラベルを付ける作業を指します。これにより、モデルはデータからパターンを学び、予測や分類の精度を向上させることが可能になります。
アノテーションは、自動運転車の開発における歩行者検出や、自然言語処理における感情分析、医療画像診断など、様々な分野で活用されています。
PoC(Proof of Consept)
データサイエンスにおけるPoC（Proof of Concept、概念実証）とは、新しいアイデアや技術が実現可能かどうかを検証するための初期段階の検証プロセスです。簡単に言うと「机上の空論」で終わらせず、実際に動くものを作って効果や課題を確かめる、データサイエンス版の「試作品」や「実験」と言えるでしょう。
例えば、新しい予測モデルやクラス分類アルゴリズムを導入する際、その技術がビジネスニーズに応え、実運用の場面で価値を提供できるかどうかを、PoCを通じて確認します。
