戦略的データサイエンス入門 ―ビジネスに活かすコンセプトとテクニック

27

27

2.2　教師あり手法と教師なし手法

これらすべてのタスクを詳細に説明するには数冊分の誌面が必要になってしまいます。そ

のためこの本では、これらのタスクの根底に存在する、基本的なデータサイエンスの原則を

中心に説明します。この本では主に分類、回帰、類似性マッチング、およびクラスタリング

のタスクを題材として基本原則について説明します。それ以外のタスクについては、基本原

則の説明に必要になった場合にだけ説明することにします。

この本で取り扱う顧客の乗り換えの問題に適したタスクについて考えてみましょう。こう

した問題の専門家は、この問題を母集団の中から解約しそうな傾向にある顧客のセグメント

を見つける問題と捉えます。こうしたセグメンテーション問題は、分類やクラスタリング、

あるいは回帰のようにも見えます。どの手法が最適であるか決めるためには、まずそれらの

違いについて説明する必要があります。

2.2

 教師あり手法と教師なし手法

顧客母集団に対する次の

2

つの問いについて考えてみましょう。

1

つ目は、「何らかの分

類の基準や方向性を与えない状態で顧客をグループ分けをすることは可能なのか」、という

問いです。この場合は、グルーピングを方向付ける特定の目標や基準は存在しません。この

ような基準を持たないデータマイニングの問題は教師なし（

unsupervised

）と呼ばれていま

す。

2

つ目の問いは、「次の契約切れの際に乗り換えをする確率が特に高い顧客のグループを

見つけることはできるのか」という問いです。これを

1

つ目の問いと比較してみましょう。 ...