予測分析の基礎へようこそ！

こんにちは！Exam PAの試験対策でコードを書いたり複雑なモデルを構築したりする前に、まずは「何を解決しようとしているのか」という問題の性質を正確に把握する必要があります。この章は、いわば「設計図を作成するフェーズ」です。建築家が計画なしに建物を建て始めないように、アクチュアリーも問題の特性を定義せずにモデリングを始めてはいけません。

このセクションでは、データの性質、モデルの目標、そして直面する制約を特定する方法を学びます。聞き慣れない用語があっても心配しないでください。一つひとつ丁寧に紐解いていきましょう！


1. 問題の核心：教師あり学習と教師なし学習

まず自分自身に問いかけるべき最初の質問は、「予測すべき特定のターゲット（目的変数）はあるか？」ということです。

教師あり学習（Supervised Learning）

教師あり学習では、「先生」（目的変数）が存在します。モデルに入力データ（特徴量）と既知の正解（ラベル）を与え、その関係性を学習させることで、未知のデータに対して予測を行えるようにします。

例え： 子どもに果物の見分け方を教える場面を想像してください。リンゴを見せて「これはリンゴだよ」と言い、オレンジを見せて「これはオレンジだよ」と教えます。これはラベル（正解）を与えているため、教師あり学習にあたります。

教師なし学習（Unsupervised Learning）

教師なし学習では、ターゲットとなる目的変数は存在しません。データそのものに隠されたパターンやグループ（クラスター）を探し出すことを目的とします。

例え： 子どもに色々なブロックを渡して「似ているものをまとめてごらん」と伝えるとします。子どもは、名前を教えられなくても、色や形で勝手にグループ分けをするでしょう。これが教師なし学習のイメージです。

クイックレビュー： Exam PAの問題のほとんどは教師あり学習です。私たちアクチュアリーは通常、保険金の額や契約の解約といった「特定の何か」を予測したいと考えているからです。


2. 回帰と分類（目的変数の違い）

教師あり学習を行うと決めたら、次は対象となる目的変数の型を特定する必要があります。これはExam PAにおいて最も重要なステップの一つです！

回帰（連続値のターゲット）

目的変数が数値であり、連続的な値である場合、回帰を用います。測定可能であり、金額や時間のように順序や大きさに意味がある場合は、回帰問題である可能性が高いです。

例：
- 保険金の支払金額の予測
- 訴訟の解決にかかる時間の推定
- 保険ポートフォリオの損害率（ロスレシオ）の算出

分類（カテゴリ型のターゲット）

目的変数が離散的なカテゴリや「クラス」に属する場合、分類を用います。

例：
- 顧客が「継続」するか「解約」するか？（二値分類：Yes/No）
- 保険金請求が「不正」か「正当」か？
- ドライバーがどのリスク階層（低、中、高）に属するか？（多クラス分類）

豆知識： 時には境界線が曖昧になることもあります。例えば、「年齢」を数値として扱う（回帰）こともあれば、18-25歳、26-40歳といった「年齢層」にグループ化して扱う（分類）こともあります。どちらを選ぶかは、ビジネス上の目標次第です！


3. 予測精度と解釈性：大きなトレードオフ

予測モデルの問題を定義する際、「精度（Accuracy）」と「解釈性（Interpretability）」のどちらを重視すべきかを決定しなければなりません。

予測の目標（「ブラックボックス」）

場合によっては、とにかく最も正確な予測値を得ることだけが重要なこともあります。例えば、自動化されたシステムなどでは、モデルが「なぜその予測をしたのか」という理由が完全には不明でも、高い予測精度さえあれば十分というケースがあります。

解釈の目標（「クリアボックス」）

私たちアクチュアリーは、結果をステークホルダーや規制当局に説明しなければならないことが多々あります。年齢や地域などのどの特徴量が予測に影響を与えているのか、またどの程度の影響があるのかを理解する必要があります。一般化線形モデル（GLM）のようなシンプルなモデルは解釈性に優れていますが、ランダムフォレストのような複雑なモデルは予測精度が高い反面、説明が難しいという特徴があります。

重要なポイント： Exam PAの試験では、この両者のバランスをどう取るかという問いがよく出されます。規制当局が「説明できないモデル」を受け入れてくれるかどうかを常に考慮しましょう！


4. データ構造：構造化データと非構造化データ

モデリングを始める前に、データの「形状」を理解する必要があります。

構造化データ（Structured Data）

これは「古典的」なデータ形式です。Excelのシートのように、行と列がある形式を思い浮かべてください。各行は観測単位（例：契約者）を表し、各列は特徴量（例：車両の年式）を表します。

非構造化データ（Unstructured Data）

保険金請求のメモ、事故現場の写真、コールセンターの録音データなどが含まれます。非常に強力な情報源ですが、一般的な予測モデルで利用するには、事前に構造化データへと変換する処理が必要になることがほとんどです。

覚え方： 構造化データは「ROC」で覚えましょう：Rows（行）、Observations（観測）、Columns（列）。


5. 倫理的配慮とデータプライバシー

これはSOA（米国アクチュアリー会）のカリキュラムにおける主要なテーマです。たとえモデルの精度が上がったとしても、すべてのデータが「公平」に使用できるとは限りません。

問題定義の段階で、保護されるべき特性（Protected Characteristics）が含まれていないかチェックする必要があります。これらは法的事由や倫理的理由により、意思決定に使用すべきではない変数です。例：

- 人種や民族
- 宗教
- 健康状態（特定の保険商品において）
- 性別（管轄区域や商品による）

よくある間違い： 「代替変数（Proxy Variable）」の使用です。たとえ「人種」という列を削除しても、「郵便番号」が特定の人種と強く相関している場合、モデルは間接的にバイアスを学習してしまいます。これを間接差別（indirect discrimination）と呼びます。


問題定義のチェックリスト

次の章に進む前に、どんなシナリオでも以下の問いに答えられるか確認してください：

1. ターゲットはあるか？（教師あり vs. 教師なし）
2. ターゲットの型は何か？（回帰/連続値 vs. 分類/カテゴリ）
3. 優先事項は何か？（精度 vs. 解釈性）
4. 倫理的懸念はあるか？（隠れたバイアスや保護対象の属性が含まれていないか）

クイックレビューボックス：
- 回帰（Regression）： 数値を予測する（例： \( \hat{y} = \$1,250 \)）。
- 分類（Classification）： ラベルを予測する（例： \( \text{Result} = \text{'Lapse'} \)）。
- 教師あり学習： 学習のための正解データがある。
- 教師なし学習： 隠れた構造やパターンを探している。

今は少し理論的に感じるかもしれませんが、大丈夫です！次のセクションからは実際のデータを見て、モデルのためにどのようにデータをきれいに整えていくかを学んでいきます。ここまでよく頑張りましたね！