# ロバストな特徴量の選択

> ロバストな特徴量の選択 -
> このアクセラレーターでは、ロバストな特徴量を選択するための1つのアプローチを紹介します。すなわち、交差検定で複数のシード値を用い、ダミー特徴量を加えて置換重要度（permutation
> importance）の中央値を計算し、それに基づいて最もロバストな特徴量を選択するというものです。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.221897+00:00` (UTC).

## Primary page

- [ロバストな特徴量の選択](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/adv-analytics-tools/rob-fi.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/advanced_ml_and_api_approaches/Robust_Feature_Impact/Robust_Feature_Impact.ipynb)

機械学習モデルは、データが少ない場合にバイアスが生じやすく、またヘルスケアや製造業といった一部の業界では、ラベル付けされたデータが不足しています。 このような状況から、モデルを構築するためには本質的に重要な特徴量（ロバストな特徴量）を選択することが有効なアプローチとなります。 このアクセラレーターでは、ロバストな特徴量を選択するための1つのアプローチを紹介します。すなわち、交差検定で複数のシード値を用い、ダミー特徴量を加えて置換重要度（permutation importance）の中央値を計算し、それに基づいて最もロバストな特徴量を選択するというものです。

このノートブックでは、以下のことを行う方法がまとめられています。

- DataRobotに接続する。
- 複数のシードで複数のプロジェクトを作成し、ダミー特徴量を追加する。
- パフォーマンスが上位のモデルからアンサンブルを作成。
- パフォーマンスが最も高いアンサンブルモデルから、モデリングのPermutationの有用性を取得する。
- Permutationの有用性がダミー特徴量よりも低い特徴量を削除する。