# 時間認識モデリングの概要 > 時間認識モデリングの概要 - > データが時間に関連するもので、予測を行わない場合、時間外検定（OTV）を使用します。複数の将来値を予測する場合に時系列を使用します。ナウキャスティングを使用して、時系列の未知の現在値を決定します。 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 `2026-07-15T05:55:44.976719+00:00` (UTC). ## Primary page - [時間認識モデリングの概要](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md): Full documentation for this topic (Markdown sidecar). ## Sections on this page - [使用する理由](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#why-use-it): In-page section heading. - [時系列の概要](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#time-series-overview): In-page section heading. - [教師あり学習モデル](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#supervised-learning-models): In-page section heading. - [時間認識モードでの教師あり学習](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#supervised-learning-in-time-aware-mode): In-page section heading. - [やってみましょう](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#try-it): In-page section heading. ## Documentation content > [!NOTE] 本機能の提供について > 時系列モデリングを有効にする情報については、DataRobotの担当者にお問い合わせください。 DataRobotは、時間認識モデリングに2つのメカニズムを提供します。どちらも [日付/時刻のパーティション](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/ts-adv-modeling/ts-date-time.html.md) を使用して実装されています。 - 以下を行う時、次のタイプの時系列モデリングを使用します。 - 時間外検定（OTV）。データが時間に関連するもので、予測を行わない場合（個々の各行のターゲット値を予測する場合）に使用します。 「この家屋価格データをどのように解釈するか」 このタイプの時間認識モデリングについては、OTV専用ワークフローセクションで説明しています。 > [!NOTE] 備考 > [時間認識モデリングを使用する理由](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#why-use-it) と [教師あり学習](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#supervised-learning-models) のコンテキストでの活用方法の詳細については、以下を参照してください。 [推奨リーディングパス](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/index.html.md) に従うと、理解と要件に適したドキュメントを見つけるのに役立ちます。 ## 使用する理由 過去のデータで予測モデルをトレーニングしながら、時間認識モデルを使用して将来のイベントを予測することがあります。 時間認識モデリングと従来のモデリングの主な違いは、パフォーマンスの判断に使用する検定データの選択方法にあります。 従来のモデリングでは、期間に関係なくデータセットから [検定](https://docs.datarobot.com/ja/docs/reference/pred-ai-ref/data-partitioning.html.md) 用の行を選択するのが一般的です。 時間認識モデリングでは、過度に楽観的で誤解を招きやすい（そして損害が生じるような結果とアクションにつながる可能性のある）検定スコアを防止するために、この手法が変更されています。 時系列モデリングでは、時間が経過しても予測変数とターゲットの間の関係性が一定であると仮定されません。 シンプルな例を以下に示します。家屋の販売価格を予測する場合を考えてみましょう。 データセットには各家屋に関する様々なデータが含まれていて、そのデータを使用して販売価格を予想することが計画されています。 一部のデータを使用してモデルを構築し、データのその他の部分を使用して予測を行います。 問題は、データセットからランダムに販売価格を選択すると、時間をまたいでランダムに選択することになる点です。 言い換えれば、結果のモデルは過去のデータから将来を予測するものではありません。 時間認識モデリングでは、時間ベースの分割を使用してモデルをトレーニングおよびテストできるので、家屋の将来の販売価格がモデルで常に検定されます（これが予測の目的です）。 予測を作成するために最新のデータを使用する必要はありませんが、モデルのトレーニングに使用したデータよりも新しいデータを使用すれば、将来に関する正確なモデル予測を行うことができます。 時間認識モデリングでは、時間の観点からデータをとらえることができます。 正確なモデルを構築するために必要なデータ量の単位は、日数、月数、または特定の数の最新の行などになります。 必要なデータ履歴の量を検討し、時間データの量とモデルの精度の関連性を考慮します。DataRobotでは、データの時間コンポーネントを使用してモデルが評価され、以下が提供されます。 - モデル選択の改善によるパフォーマンスの向上 - より正確な検定スコア - 予測変数としての日付特徴量のサポートの向上 ## 時系列の概要 時系列 データを操作する場合、「過去のデータをどのように解釈するか」および「どこまでの将来を予測するべきか」を検討します。この2つの点を決定した後、時間に左右されるデータでDataRobotの高度なモデリング技法をどのように使用してデータから予測を作成するかを設定できます。 （ [時系列モデリングを使用する理由](https://docs.datarobot.com/ja/docs/classic-ui/modeling/time/whatis-time.html.md#why-use-it) に関するセクションも参照してください。） DataRobotでは、モデリングデータ内で時系列特徴量の作成と選択が自動的に行われます。 特徴量は、 開始 画面で時系列フレームワークを設定することによって制約できます（最小および最大のラグなど）。 設定と生データセットの分析に基づいて、DataRobotは新しい特徴量を派生させ、モデリングデータセットを作成します。 時間シフト、ラグ、および特徴量が既に適用されているので、DataRobotでは一般的な機械学習アルゴリズムを使用して、新しいモデリングデータセットでモデルを構築できます。 ## 教師あり学習モデル 従来の教師あり学習では、（ ラベル または 特徴量 を含む）元のトレーニングデータで作業します。 DataRobotはモデルをトレーニングして、これらの特徴量に基づいて特定のターゲットを予測します。 DataRobotは作成したモデルをチューニングして、不明な（アウトオブサンプル）データに対してテストします。 このテストの結果は検定スコアになります。検定スコアは、モデルのデプロイの準備がどれだけできているかに関する信頼度の指標と見なすことができます。 デプロイした後、このモデルで新しいデータをスコアリングできます。 新しいデータをDataRobotにフィードすると、データから特徴量が抽出され、モデルにフィードされます。 次に、これらの特徴量で予測が作成されて、ターゲットに関する情報が提供されます。 DataRobotでモデルをトレーニングするとき、トレーニングデータに基づいていくつかの意思決定が行われます。 たとえば、関数またはデータに関する仮定を行うことにより、これらの仮定に基づいてパラメーター値を推定することができます。 モデリングアプローチが異なれば、仮定も異なります。 DataRobotの巨大なリポジトリには多くの使用可能なモデルが含まれていて、多くのさまざまな機能（アスペクト）が実行されるので、データに最適なモデルタイプを選択できます。 ### 時間認識モードでの教師あり学習 教師あり学習では、トレーニングサンプルは独立したものであり、同一に分布（IID）されていると仮定されます。 この種のモデリングでは、データセットの各行に基づいて予測が作成されます。近隣の行は考慮されません。 トレーニングサンプルは相互に独立していると仮定されます。 教師あり学習において問題になるもう1つの仮定は、トレーニングに使用するデータと将来のデータの分布が同じになることです。 時間に依存するデータでは、従来の機械学習の仮定は通用しません。 2017年の7月から11月の間における「DataRobot」という用語のトレンドを求める場合を考えてみます。検索の目的は比較的シンプルです。 DataRobotの製品寿命にわたって同じ検索トレンドをチェックした場合、時系列の動作はより最近の日付になるにつれて大きく異なることがわかります。 比較的以前のデータ（2013年から2016年など）でモデルをトレーニングした場合、データの分布は同じではないのでモデルは有効ではなくなります。 ## やってみましょう 以下の表は、YouTubeで視聴可能な動画の一覧です。これらの動画では、DataRobotインターフェイスとDataRobot NotebooksのPython APIを使用して必要なタスクを実行する方法を紹介しています。 各チュートリアルでは、まずサンプルデータセットをダウンロードします。 [データセットをダウンロード](https://datarobot-doc-assets.s3.us-east-1.amazonaws.com/Car_Sales_Tutorial_SingleSeries_Multivariate.csv) | 見る | 習得できること | | --- | --- | | データ構造 | 時系列モデリングで使用されるデータ構造。 この動画では、単変量、多変量、および複数系列/多変量の問題に対して時系列データセットを構成する方法を紹介します。 | | プロジェクト設定 | プロジェクトの初期設定の方法と、エクスペリメントのニーズに合わせてデフォルトの設定を変更する方法。 | | 特徴量エンジニアリング | DataRobotの時系列自動化出力、特に特徴量、特徴量セット、リーダーボードモデルを解釈および使用する方法。 具体的には、時系列特徴量と特徴量セットを確認し、リーダーボードでモデルを整理して理解する方法を示しています。 | | モデルのインサイト | DataRobot時系列モデルのパフォーマンスを解釈し、ご利用のデータから識別されたパターンを理解する方法を学びます。 この動画では、各リーダーボードモデルに関連付けられたインサイトとビジュアライゼーションに焦点を当て、パフォーマンスが最も高いモデルにおいて有用な特徴量を明らかにします。 | | モデルデプロイ | リーダーボードモデルを選択し、DataRobotの予測サーバーにデプロイする方法。 | | 時系列予測 | 予測リクエストファイルの正しい構造など、本番環境にある時系列モデルを予測に使用する方法。 |