# EDAによるデータ品質の評価

> EDAによるデータ品質の評価 - DataRobotでの探索的データ解析（EDA）の実行方法と、EDAの各段階でデータの品質を評価する方法。

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 `2026-07-15T05:55:44.900978+00:00` (UTC).

## Primary page

- [EDAによるデータ品質の評価](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [EDAの段階](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md#stages-of-eda): In-page section heading.
- [データセットをロードして表示する](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md#load-and-view-your-dataset): In-page section heading.
- [EDA1後の評価](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md#assess-after-eda1): In-page section heading.
- [EDA2後の評価](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md#assess-after-eda2): In-page section heading.
- [特徴量の有用性の調査](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md#investigate-feature-importance): In-page section heading.
- [関連資料](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md#related-reading): In-page section heading.

## Documentation content

DataRobotでの探索的データ解析（EDA）の実行方法と、EDA（ EDA1 および EDA2 ）の各段階でデータの品質を評価する方法を紹介します。

データの準備は反復プロセスです。 DataRobotにアップロードする前にトレーニングデータをクリーンアップして準備しても、EDA中に特徴量を評価することで品質を向上させることができます。

このページに表示されるサンプルデータセットには、患者データが含まれています。 その目的は、患者の再入院の可能性を予測することです。 ターゲット特徴量は `readmitted` です。

## EDAの段階

EDAの間、DataRobotはデータ品質評価を実行します。 評価は、実行中のモデル構築段階に関連するデータ品質問題についての情報を提供します。 次のタブのいずれかをクリックして、2つのEDAステージについてご覧ください。

**EDA1:**
データをアップロードすると、EDA1（データ取込み）が発生します。 EDA1は すべての特徴量 セットを評価し、次のような問題を検出します。

外れ値
インライア
過剰なゼロ
偽装欠損値
時系列プロジェクトにおける一貫性のないギャップ

EDA1の詳細については、 [探索的データ解析](https://docs.datarobot.com/ja/docs/reference/data-ref/eda-explained.html.md#eda1) をご覧ください。

**EDA2:**
データ ページで 開始 をクリックすると、DataRobotは再度EDAを実行します。 この段階では、DataRobotは [ターゲットリーケージ](https://docs.datarobot.com/ja/docs/reference/data-ref/data-quality-ref.html.md#target-leakage) や特徴量とターゲット間の非線形相関を検出し、 [特徴量の有用性](https://docs.datarobot.com/ja/docs/classic-ui/data/analyze-data/assess-data-quality-eda.html.md#investigate-feature-importance) を分析するのに役立ちます。 EDA2は、選択した特徴量セットをレポートします。 特徴量セットが選択されていない場合、EDA2はデフォルトの すべての特徴量 セットをレポートします。

EDA2の詳細については、 [探索的データ解析](https://docs.datarobot.com/ja/docs/reference/data-ref/eda-explained.html.md#eda2) をご覧ください。


## データセットをロードして表示する

データセットをロードし、新規プロジェクトを作成し、初期EDAを実行し、データのサンプルに基づいてサマリー統計を生成します。 右側のワーカーキューで進捗を表示します。

**大規模データセットを操作する**

DataRobotが、いかに大規模なデータセットを処理するかについては、 [高速EDA](https://docs.datarobot.com/ja/docs/classic-ui/data/import-data/large-data/fast-eda.html.md#fast-eda-application) を参照してください。

データをインポートしたら、 データを参照 をクリックするか下にスクロールして、データセット内の特徴量を表示します。

特徴量が表示され、サマリー情報と統計が提供されます。

|  | ラベル | 説明 |
| --- | --- | --- |
| (1) | 特徴量の型 | DataRobotがEDA中に特徴量に対して識別するデータ型。たとえば、数値、カテゴリー、ブーリアン、画像、テキスト、および日付などの特殊な特徴量型。 |
| (2) | ユニーク数 | 特徴量の一意の値の数。 |
| (3) | 欠損 | 特徴量の欠損値の数。 |
| (4) | 平均、標準偏差、中央値、最小、最大 | DataRobotは、数値特徴量についてこれらの統計を計算します。 |

## EDA1後の評価

EDA1は、モデリング開始前にデータの問題を把握するのに役立ちます。

1. 特徴量セットの上と右側にある、情報を表示をクリックします。 データ品質評価ドロップダウンメニューが表示されます。 ヒントデータ品質評価では、以下の問題ステータスフラグが表示されます。警告: 注意またはアクションが必要です。情報：必要なアクションはありません。問題なし。
2. （オプション）検出された問題のタイプ別に影響を受ける特徴量をフィルターをクリックし、検索する特定の問題を選択します。
3. 下にスクロールして、問題のある特徴量を見つけます。 特徴量に問題がある場合、問題ステータスフラグがデータ品質列に表示されます。 フラグにカーソルを合わせると、問題のタイプが表示されます。
4. 問題ステータスフラグが表示されている特徴量をクリックしてから、ヒストグラム、頻出値、特徴量の関連性などのツールを使用して、さらに探索します。

## EDA2後の評価

ターゲットを設定し、モデリングプロセスを開始すると、EDA2が開始されます。

1. 何を予測しますか？で、ターゲット特徴量を入力します。 モデリングモードモードをデフォルトのクイックオートパイロットに設定したままにすることも、別のモデリングモードを選択することもできます。モデリング設定をカスタマイズすることもできます。
2. 開始をクリックします。 DataRobotは、多くの処理ステップを実行します。 ワーカーキューのステップを監視します。 DataRobotで特徴量の分析が終了すると、特徴量の有用性を確認できます。 DataRobotは、ブループリントの生成を継続します。

## 特徴量の有用性の調査

有用性バーは、特徴量がターゲットと相関している度合いを示します。 有用性は、変数の情報内容を測定するアルゴリズムを使用して計算されます。 この計算は、データセット内の各特徴量に対して個別に行われます。

特徴量の有用性を調査して、精度の高いモデルを構築するのに最も有用な特徴量はどれか、トレーニングデータから削除できる特徴量はどれか判断します。

1. データタブで、特徴量セットまで下にスクロールします。
2. 有用性列を見てください。 緑色のバーは、特徴量がターゲットとどの程度密接に関連しているかを示しています。 ターゲットに無関係な特徴量を削除したい場合があります。

## 関連資料

このページで説明されているトピックの詳細については、以下を参照してください。

- DataRobotが探索的データ解析（EDA）の各ステージを実行する方法。
- データ品質評価において、一般的なデータ品質の問題を検出し、表面化させる方法。
- DataRobotが潜在的なデータ品質の問題について実行するチェックについて説明します。