データ行列の形
機械学習では、複数のデータを行列として表すことが多く、一般に行をデータ、列を特徴量として並べます。問題では100件のデータがあり、各データに5個の特徴量があるため、行数は100、列数は5になります。G検定では、データ行列の形状を読み取る問題が、線形代数やモデル入力の基礎として出題されます。
正解の理由
選択肢3の100行5列が正解です。1行が1件のデータを表し、5列がそのデータの5個の特徴量を表します。たとえば、100人分の顧客データがあり、年齢、購入回数、滞在時間、会員期間、直近購入額の5特徴量を持つなら、100×5の行列として扱えます。
G検定で押さえるポイント
- 一般的な表形式データでは、行がサンプル、列が特徴量です。
- 目的変数は特徴量行列とは別に、長さ100のラベルベクトルとして持つことが多いです。
- ライブラリによっては入力形状の指定が厳密なので、行列の向きを間違えると学習や予測ができません。
混同しやすい論点
- 5行100列は、特徴量を行、データを列にした形であり、問題文の「行をデータ、列を特徴量」とは逆です。
- 1行500列や500行1列に平坦化すると、どこまでが1件のデータか分かりにくくなります。
- 画像や時系列では次元が増えますが、表形式データの基本は「サンプル数×特徴量数」です。
他の選択肢の評価
- 選択肢2は行と列が逆です。
- 選択肢3が正解です。100件のデータが行、5特徴量が列です。
- 選択肢4は1件のデータとして500個の特徴量を持つように見えてしまいます。
- 選択肢1は500件の1特徴量データのように見え、問題の条件と合いません。
実務上の意味
実務では、CSVやデータフレームをモデルに渡す前に、行と列の意味を確認します。列に目的変数が混ざっている、IDのような特徴量でない列を入れている、行列を転置してしまう、といったミスは精度低下やデータリークにつながります。