CONTENTS

1. データサイエンスプロジェクトでのモデル構築のアプローチ
2. データサイエンスにおける2つのモデリング
3. モデルの活用事例と課題
4. 最後に（モデリングで求められること）

要約

1. コロナ禍において、蓄積してきた過去の大量のデータと直近のデータで性質が大きく異なり、データサイエンスの分析が難しくなっている。昨今は、データの不足やデータが存在しない中でのモデルの構築方式に注目が集まる。
2. モデルの構築は、解釈性と精度という2軸がトレードオフの関係となっている。この2軸は、解釈性が高いがドメイン知識に基づいて立式する難しさがある理解先行型モデルと、精度が高まるが複雑なモデルになる傾向があるタスク解決型モデルに大別される。
3. 理解先行型モデルは、データが不足あるいは存在しない中でのモデリングを可能として、シミュレーションから得られる知見を通し、タスク解決型モデルのモデリングに反映していくという方式がとられることが多く、その使い分けが重要となる。
4. 精度を高めることを中心に構築されるモデルは、複雑なモデルになる傾向があるが、これらモデルに解釈性を付与する技術が開発されている。特に、LIMEやSHAPなどが注目されている。
5. モデリングは技術だけで完結することは難しい。モデルに解釈性を付与する技術が開発されてはいるが、複雑な現象を端的に表現するための高いドメイン知識は依然必要となる。

PDFファイルでは全文お読みいただけます。

全文ダウンロード（526KB）

執筆者情報

• 

  田村 光太郎

  データサイエンスラボ主任

  データサイエンティスト

※組織名、職名は現在と異なる場合があります。