データマイニングにおける派生モデルの表現方法とは？

データマイニングにおける分類（classification）とは、データのクラスや概念を定義し、分類するモデルを発見するプロセスです。このモデルは、クラスラベルが既知のデータオブジェクトの集合である訓練データに基づいて構築され、クラスラベルが未知のオブジェクトに対してそのラベルを予測するために用いられます。

派生モデルの主な表現形式

導出されたモデル（派生モデル）は、以下のような複数の形式で表現することができます。

分類ルール（IF-THENルール）

「もし〜ならば〜」という形式で条件と結論を明確に示すルール表現です。人間が解釈しやすいのが特徴です。

決定木

決定木はフローチャートに似た木構造を持つモデルです。各ノードは属性値に対するテストを表し、各枝はそのテストの結果（分岐）を示し、葉（リーフ）はクラスまたはクラス分布を記述します。決定木は分類ルールへと変換することも可能です。

ニューラルネットワーク

分類に用いられる場合、ニューラルネットワークは一般に、ユニット間を重み付きの接続で結んだニューロンのような処理ユニットの集合として構成されます。

このほかにも、分類モデルを構築する手法としては、ナイーブベイズ分類、サポートベクターマシン（SVM）、k近傍法（k-NN）などが広く知られています。

分類と回帰の違い

分類はカテゴリ型（離散的で順序を持たない）ラベルを予測するのに対し、回帰は連続値を取る関数をモデル化します。回帰は、離散的なクラスラベルの代わりに、欠損している、あるいは入手できない統計データ値を予測するためにも用いられます。

「予測」という概念には、数値予測とクラスラベル予測の両方が含まれます。回帰分析は数値予測に用いられる代表的な統計的手法ですが、その他にも複数の技法が存在します。また、回帰は利用可能なデータに基づいて分布傾向を識別する働きも担います。

前段階としての関連性分析

分類および回帰を行う前に、関連性分析（relevance analysis）が実施されることがあります。これは、分類・回帰プロセスに有意に寄与する属性を識別する作業です。有益な属性が選択される一方で、無関係な属性は考慮対象から除外されます。これにより、モデルの精度と効率の向上が期待できます。

具体例：AllElectronicsの販売キャンペーン

家電量販店AllElectronicsの販売マネージャーが、販売キャンペーンに対する3種類の反応——「好反応」「中程度の反応」「無反応」——に基づいて、店舗内の大量の商品を分類する必要があると仮定しましょう。

価格、ブランド、製造地、タイプ、カテゴリといった商品の説明的な特徴に基づいて、これら3つのクラスそれぞれについてモデルを導出できます。得られた分類は、各クラスを他のクラスから可能な限り明確に区別するものであり、データセット全体の整理された全体像を提示してくれます。

決定木を用いれば、「価格」が3つのクラスを最もよく区別する最重要の要因であると特定できるかもしれません。さらに、価格に加えて「ブランド」と「製造地」も、各クラスのオブジェクトを相互に細かく区別するうえで役立つ特徴であることが明らかになる場合があります。

このような決定木を活用することで、実施した販売キャンペーンの影響を正確に把握でき、今後より効率的で効果的なキャンペーンを設計するための貴重な知見が得られます。