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

211

211

7.3　重要な分析フレームワーク：期待値

きです。一度、それら利益やコストを判定し集計することができれば、その情報から、分類

器を評価するために必要な期待利益（期待便益、期待原価）を得ることができます。

7.2

 分類を越えて一般化する

ここまで、データサイエンスに取り組む際に遭遇するいくつもの課題をできるだけ具体的

に説明するために、分類モデルを扱ってきました。それらの課題のほとんどは、分類問題だ

けに限らず、他の問題においても取り組む必要があるものです。

この章で議論している基本コンセプトは、データサイエンスを実際の現場に適用する際に

は、次の問いかけに立ち返ることが極めて大切だということです。それはつまり、「データ

サイエンスを適用する上で何を重要視すべきか」、「最終的な目標は何か」、「与えられた目標

に対してデータマイニングの結果を適切に評価しているか」といった問いかけです。

それでは別の例を使って、この基本コンセプトを（分類モデルではなく）回帰モデルに適

用してみましょう。データサイエンスチームが、映画のレコメンデーション（推薦）モデル

を構築することになりました。そのモデルにある顧客と映画を与えると、モデルはその顧客

が対象の映画をどれほど好むか予測します。その予測結果を使って、それぞれの顧客に対す

る映画のレコメンデーションを行いたいと考えています。このシステムにおいて顧客は、

1

〜

5

個の星を付けることで映画を評価します。レコメンデーションモデルは、ある顧客がま

だ見ていない映画に対して何個の星を付けるかを予想します。私たち分析担当者の一人は、 ...