用語比較

特徴量とは（特徴量選択と特徴量抽出の違い）

特徴量とは、予測や分類の手がかりとして、データから取り出した個々の測定可能な性質や特性です。G検定の用語集もこの意味で説明しています。

特徴量選択と特徴量抽出の違いは、既にある特徴量から選ぶのか、元のデータを特徴量へ変えるのかです。scikit-learn公式ドキュメントは、特徴量抽出を、文章や画像のような任意のデータを機械学習で使える数値の特徴量へ変換すること、特徴量選択を、その特徴量に対して使う機械学習の技法と説明し、両者は大きく異なると述べています。

当サイトが公式シラバス2024に基づいてまとめた事実リスト（2026-08-24確認）では、大項目2「AIブームと機械学習の発展」のキーワードに「特徴量」が挙がっています。「特徴量選択」「特徴量抽出」という語そのものはキーワードに挙がっていないため、このページは、特徴量の意味と、設問で説明文から見分ける手順に絞ってまとめています。

この記事の根拠と出典

各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。

結論

特徴量選択

すでにある特徴量の中から、使うものを選ぶ。選ばれなかった特徴量は取り除かれ、残る特徴量は元のデータの列そのもの。

特徴量抽出

文章や画像などの元のデータを、機械学習で使える数値の特徴量へ変換する。scikit-learn公式ドキュメントでの用法。

違いを表で確認

比較軸	特徴量選択	特徴量抽出
何をするか	すでにある特徴量から、使うものを選んで残す	文章や画像などのデータを、数値の特徴量へ変換する
scikit-learn公式ドキュメントでの位置づけ	Feature selectionの章。特徴量の選択と次元削減を行うクラスを集めたsklearn.feature_selectionモジュールで扱う	Feature extractionの章。テキストや画像などのデータから、機械学習で使える形式の特徴量を取り出すsklearn.feature_extractionモジュールで扱う
処理の例	SelectKBest（得点の高い上位k個だけ残す）、再帰的特徴量削減（RFE）、SelectFromModel（重要度がしきい値を下回る特徴量を取り除く）、VarianceThreshold（分散が基準を満たさない特徴量を取り除く）	DictVectorizer（辞書のリストから特徴量の配列へ）など、任意のデータを数値の特徴量へ変換する処理
出力される特徴量	元の特徴量の一部。列の数が減る	元のデータから作られた数値の特徴量
混同しやすい語	次元削減、L1正則化による変数選択	主成分分析（PCA）などによる新しい軸への変換

G検定の学習に使う書籍（Amazon）

試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。

深層学習教科書ディープラーニング G検定（ジェネラリスト）公式テキスト第3版の表紙

深層学習教科書ディープラーニング G検定（ジェネラリスト）公式テキスト第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

特徴量そのものの意味があいまいな人

特徴量は、予測や分類の手がかりとして使うデータの性質です。表形式のデータなら列にあたる、と考えると整理しやすくなります。

選択と抽出を、どちらも特徴量を減らす処理だと思う人

選択は既にある特徴量から選ぶ処理です。scikit-learn公式ドキュメントが述べる抽出は、元のデータを数値の特徴量へ変える処理で、減らすことが目的の語ではありません。

主成分分析を特徴量選択だと思う人

主成分分析（PCA）は、分散が最大になる成分へデータを分解する手法です。元の列を選ぶのではなく、新しい軸へ変換するため、列を選ぶ特徴量選択とは分けて考えます。

具体例で使い分ける

例 1

説明文に『重要度の低い特徴量を取り除いて残りで学習する』とある場合

選択肢の説明文に、学習に使う特徴量のうち重要度の低いものを取り除き、残った特徴量でモデルを学習するとあります。

scikit-learn公式ドキュメントは、SelectFromModelを、特徴量の重要度がしきい値を下回るものを不要として取り除く方法と説明しています。
新しい特徴量を作ってはおらず、既にある特徴量から使うものを選んでいます。

結論: 既にある特徴量から使うものを選ぶ処理なので、特徴量選択です。

例 2

説明文に『文章や画像を、機械学習で使える数値の特徴量へ変換する』とある場合

選択肢の説明文に、テキストや画像のような元のデータを、数値の特徴量へ変換する処理があります。

scikit-learn公式ドキュメントは、これを特徴量抽出として説明しています。
既にある特徴量から選ぶ処理ではなく、元のデータから特徴量を作る処理です。

結論: 元のデータを数値の特徴量へ変える処理なので、特徴量抽出です。

例 3

『多数の変数を、情報をできるだけ保ちながら少ない次元へ圧縮する』という説明がある場合

説明文に、多数の変数を少ない次元へ圧縮する、とあります。

G検定の用語集では、これは次元削減の説明にあたります。
代表例の主成分分析（PCA）は、元の変数から新しい成分を作るため、列を選ぶ特徴量選択とは区別します。

結論: 圧縮して少ない次元に表す処理は次元削減です。特徴量選択と同じ語とは扱いません。

問題文から答えを選ぶ手順

1
何に対する処理かを分ける
既にある特徴量を対象にしているなら選択、文章や画像などの元のデータを対象にしているなら抽出の側です。
2
手がかり語を探す
使うものを選ぶ、取り除く、上位k個は選択。数値へ変換する、文章や画像から取り出すは抽出。少ない次元に圧縮するは次元削減です。
3
出力を確かめる
元の特徴量の一部が残るなら選択、元のデータから作った特徴量が出るなら抽出や変換です。
4
資料によって特徴抽出が指す範囲を確認する
資料によって『特徴抽出』が指す範囲は異なることがあります。語だけで決めず、設問の説明文が何をしているかで判断します。

試験での見分け方

1特徴量は、予測や分類の手がかりとして、データから取り出した個々の測定可能な性質や特性。
2既にある特徴量から、使うものを選ぶ処理は特徴量選択。
3scikit-learn公式ドキュメントでは、文章や画像などを数値の特徴量へ変換する処理を特徴量抽出と呼ぶ。
4多数の変数を少ない次元へ圧縮する処理は次元削減で、代表例は主成分分析（PCA）。
5用語が同じでも、資料によって指す範囲が違うことがあるため、設問の説明文で判断する。

誤答しやすい選択肢

特徴量選択と次元削減を同じ語だと考える

修正: scikit-learn公式ドキュメントのsklearn.feature_selectionモジュールは、特徴量の選択と次元削減の両方の説明に使われていますが、主成分分析は元の列を選ぶのではなく、新しい成分へ分解する手法です。設問が何をしているかで分けます。

特徴量が多いほど必ず精度が上がると考える

修正: 特徴量が増えるとデータが疎になるといった問題が起きます。この点は次元の呪いの記事で確認できます。

特徴量抽出は必ず特徴量を減らす処理だと考える

修正: scikit-learn公式ドキュメントの特徴量抽出は、元のデータを数値の特徴量へ変換することで、減らすことが目的ではありません。

選択を、新しい特徴量を作る処理だと考える

修正: 選択は、既にある特徴量から使うものを選ぶ処理です。新しい特徴量は作りません。

確認問題

Q1予測や分類の手がかりとして、データから取り出した個々の測定可能な性質や特性を何という？

答え: 特徴量

G検定の用語集は、特徴量をこの意味で説明しています。

Q2既にある特徴量の中から、使うものを選んで残す処理は、特徴量選択と特徴量抽出のどちら？

答え: 特徴量選択

scikit-learn公式ドキュメントのFeature selectionの章で扱われ、SelectKBestは得点の高い上位k個の特徴量以外を取り除きます。

Q3scikit-learn公式ドキュメントで、テキストや画像のような任意のデータを、機械学習で使える数値の特徴量へ変換することを何という？

答え: 特徴量抽出（feature extraction）

同ドキュメントは、特徴量抽出と特徴量選択は大きく異なる、と述べています。

到達チェック

特徴量を、予測や分類の手がかりとなるデータの性質として説明できる
特徴量選択を、既にある特徴量から使うものを選ぶ処理として説明できる
scikit-learn公式ドキュメントでの特徴量抽出の意味を説明できる
次元削減と特徴量選択が別の語だと区別できる
資料によって用語の範囲が異なることがあると理解している

同じ資格で次に知りたいこと

データリーケージとは（過学習との違い・テストデータが学習に混ざる典型例）
データリーケージと過学習の違いを、原因、性能が高く見える理由、典型例（全データでの前処理・テストデータでのfit）、防ぎ方、G検定での判断手順と確認問題まで整理します。
パラメータとハイパーパラメータの違い（学習率・層の数は誰が決めるか）
パラメータ（重み）とハイパーパラメータの違いを、学習で決まるか人が先に決めるかで整理し、学習率や隠れ層の数がどちらに当たるかを、scikit-learn公式ドキュメントの記述をもとに比較します。G検定での判断手順と確認問題も示します。
AIブームと冬の時代の年表｜第一次〜第三次の違い（G検定）
第一次・第二次・第三次AIブームの時期、ブームを支えた技術、冬の時代を招いた限界を年表で整理します。G検定の人工知能の歴史の問題で迷わない判断手順と確認問題も掲載します。

よくある質問

Q特徴量とは？

予測や分類の手がかりとして、データから取り出した個々の測定可能な性質や特性です。G検定の用語集もこの意味で説明しています。

Q特徴量選択と特徴量抽出の違いは？

選択は既にある特徴量から使うものを選ぶ処理です。scikit-learn公式ドキュメントでの抽出は、文章や画像などのデータを機械学習で使える数値の特徴量へ変換する処理で、同ドキュメントは両者を大きく異なるものとして説明しています。

Q主成分分析は特徴量選択ですか？

いいえ。主成分分析は、分散が最大になる直交した成分へデータを分解する手法で、元の列を選ぶ特徴量選択とは区別します。

Q特徴量が多すぎると何が困りますか？

データが疎になり、必要なデータ量が増えるといった問題が生じます。詳しくは次元の呪いの記事で整理しています。

Q特徴量選択と特徴量抽出はG検定の公式シラバスに載っている？

当サイトが公式シラバス2024に基づいてまとめた事実リスト（2026-08-24確認）では、大項目2「AIブームと機械学習の発展」のキーワードに「特徴量」が挙がっています。「特徴量選択」「特徴量抽出」という語そのものはキーワードに挙がっていません。

次に見る比較

G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。

シェア:Xでシェア LINEでシェア

執筆: ミナト編集部（運営者情報を見る）