用語集
わからない言葉が出たら、ここに戻ってきてください。分野ごとに並べています。
Kaggleのサイト用語
| 用語 | 読み | 意味 |
|---|---|---|
| Kaggle | カグル | データサイエンスのコンペ・学習プラットフォーム。Google傘下 |
| Kaggler | カグラー | Kaggleをやっている人 |
| Competition | コンペティション | 予測精度を競う大会 |
| Submit / Submission | サブミット | 予測結果を提出すること／提出物 |
| sub（サブ） | — | Submissionの略。「今日の3サブ目」のように使う |
| Leaderboard（LB） | リーダーボード | 順位表 |
| Public LB | パブリック | コンペ中に見える暫定順位表（テストデータの一部で採点） |
| Private LB | プライベート | 終了後に公開される最終順位表（残りのデータで採点） |
| shake up / shake down | シェイクアップ/ダウン | 最終順位で大きく上がる／下がる現象 |
| Notebook / Kernel | ノートブック/カーネル | ブラウザ上で動く分析プログラムのノート |
| Copy & Edit | — | 他人のNotebookを自分用にコピーする機能 |
| Upvote | アップボート | 高評価。メダルの元になる |
| Discussion | ディスカッション | 掲示板 |
| Solution / Write-up | ソリューション | コンペ終了後に投稿される解法の解説 |
| Getting Started | — | 常設の入門コンペ（Titanicなど） |
| Playground | プレイグラウンド | 練習用の定期開催コンペ |
| Featured | フィーチャード | 企業主催の賞金つき本番コンペ |
| Code Competition | — | CSVではなくNotebookを提出する形式のコンペ |
| Late Submission | レイトサブミッション | 終了したコンペへの遅れての提出（順位には載らない） |
| Tier | ティア | 称号。Novice → Contributor → Expert → Master → Grandmaster |
| GM | ジーエム | Grandmasterの略 |
| private sharing | — | チーム外へのコードの個人的共有。ルール違反 |
データとファイル
| 用語 | 意味 |
|---|---|
| train（学習データ） | 正解つきのデータ。モデルを学習させるために使う |
| test（テストデータ） | 正解がないデータ。これを予測して提出する |
| validation（検証データ） | trainから取り分けて、自分で精度を測るためのデータ |
| sample_submission | 提出ファイルの見本 |
| CSV | カンマ区切りのテキスト表形式ファイル |
| DataFrame | pandasの「表」。Excelのシートに相当 |
| 行 / レコード / サンプル | 1件のデータ（1人の乗客など） |
| 列 / カラム / 変数 | 項目（年齢、運賃など） |
| テーブルデータ | 表形式のデータ。Kaggleの主戦場 |
機械学習の基本語
| 用語 | 読み | 意味 |
|---|---|---|
| 特徴量（Feature） | とくちょうりょう | 予測の材料となる列。コードでは X |
| 目的変数（Target） | もくてきへんすう | 当てたい列。コードでは y。正解・ラベルとも言う |
| 学習 / 訓練（fit / train） | — | データから法則を覚えさせること |
| 推論 / 予測（predict / inference） | — | 覚えた法則で未知データに答えを出すこと |
| モデル | — | 学習によって作られた予測の仕組み |
| 教師あり学習 | — | 正解つきデータから学ぶ。Kaggleの大半 |
| 教師なし学習 | — | 正解なしでデータの構造を見つける（クラスタリング等） |
| 分類（Classification） | — | カテゴリを当てる（生存/死亡など） |
| 回帰（Regression） | — | 数値を当てる（価格など） |
| 2値分類 / 多クラス分類 | — | 答えが2種類 / 3種類以上 |
| 過学習（Overfitting） | かがくしゅう | 学習データを丸暗記し、未知データに弱くなった状態 |
| 未学習（Underfitting） | — | 単純すぎて法則を捉えきれていない状態 |
| 汎化性能（Generalization） | はんかせいのう | 未知データにも通用する力 |
| 正則化（Regularization） | せいそくか | 過学習を防ぐためのブレーキ |
| ハイパーパラメータ | — | 人間が事前に決める設定値（木の深さ・学習率など） |
| 学習率（learning rate） | — | 1回の更新でどれだけ進むか。小さいほど慎重 |
| エポック（epoch） | — | 学習データを何周したか（主にNN） |
| バッチサイズ | — | 一度に処理するデータ件数（主にNN） |
| シード（seed） | — | 乱数の種。固定すると結果が再現できる |
検証と評価
| 用語 | 意味 |
|---|---|
| CV（Cross Validation） | 交差検証。データを分割して複数回検証し、平均を取る |
| CVスコア | 交差検証で得た平均スコア。Kagglerが最も信頼する数字 |
| Fold（フォールド） | CVで分割された1つのかたまり |
| KFold | データをk個に分ける基本のCV |
| StratifiedKFold | 各Foldで正解の比率を揃えるCV。分類の標準 |
| GroupKFold | 同一グループが学習と検証に分かれないようにするCV |
| TimeSeriesSplit | 時系列用のCV（過去で学習し未来を検証） |
| ホールドアウト | データを単純に学習用・検証用に2分割する方法 |
| 評価指標（Metric） | スコアの計算方法 |
| Accuracy | 正解率。高いほど良い |
| AUC（ROC-AUC） | 2値分類の定番指標。0.5が当てずっぽう、1.0が完璧 |
| LogLoss | 確率の確からしさ。低いほど良い |
| RMSE | 回帰の定番。誤差の二乗平均の平方根。低いほど良い |
| RMSLE | 対数を取ってからRMSE。価格・売上など |
| MAE | 誤差の絶対値の平均 |
| Precision（適合率） | 陽性と予測したうち本当に陽性の割合 |
| Recall（再現率） | 本当の陽性のうち見つけられた割合 |
| F1スコア | PrecisionとRecallの調和平均 |
| 混同行列 | 予測と正解の組み合わせの表 |
| CV-LB相関 | 手元のCVとLBスコアが連動しているかどうか |
前処理・特徴量
| 用語 | 意味 |
|---|---|
| 前処理（Preprocessing） | データを学習できる形に整える作業 |
| 欠損値（Missing value / NaN） | 空欄のデータ |
| 外れ値（Outlier） | 極端に大きい/小さい値 |
| 特徴量エンジニアリング | 新しい特徴量を作る作業。スコアに最も効く |
| カテゴリ変数 | 文字列などの分類項目（性別、都市名など） |
| 数値変数 | 数で表される項目（年齢、金額など） |
| Label Encoding | カテゴリに0,1,2…と番号を振る |
| One-Hot Encoding | カテゴリごとに0/1の列を作る |
| Target Encoding | カテゴリを、その目的変数の平均値で置き換える。強力だがリスクあり |
| スケーリング / 標準化 | 値の大きさを揃える。線形モデルやNNで必要 |
| ビニング | 連続値を区間に区切ってカテゴリ化する |
| 対数変換（log変換） | 歪んだ分布をならす |
| リーク（Leakage） | 本来知り得ない情報が学習に混入する事故 |
| 分布シフト | trainとtestでデータの傾向が異なること |
| 不均衡データ | 正解の片方が極端に少ないデータ |
モデル
| 用語 | 意味 |
|---|---|
| 線形回帰 / ロジスティック回帰 | 最も単純なモデル。ベースライン向き |
| 決定木（Decision Tree） | if文の木で予測するモデル |
| ランダムフォレスト | 決定木を多数作って多数決する（バギング） |
| GBDT | 勾配ブースティング決定木。誤差を次の木で修正していく |
| LightGBM | GBDTの代表的実装。表データの主力 |
| XGBoost | GBDTの定番実装のひとつ |
| CatBoost | カテゴリ変数に強いGBDT実装 |
| ニューラルネットワーク（NN） | 脳を模した構造のモデル |
| ディープラーニング | 層の深いNN。画像・音声・言語で強い |
| CNN | 画像向けのNN構造 |
| Transformer | 自然言語処理の標準構造。LLMの土台 |
| 事前学習モデル（Pretrained Model） | すでに大量データで学習済みのモデル |
| ファインチューニング | 事前学習モデルを自分の課題に合わせて追加学習すること |
| 特徴量重要度（Feature Importance） | どの特徴量が効いたかの指標 |
| Early Stopping | 改善が止まったら学習を打ち切る仕組み |
戦術・運用
| 用語 | 意味 |
|---|---|
| ベースライン | とりあえず最後まで動く最低限の実装 |
| EDA | 探索的データ分析。データを眺めて仮説を得る作業 |
| アンサンブル | 複数モデルの予測を組み合わせること |
| ブレンド（Blending） | 予測値を平均・加重平均すること |
| スタッキング（Stacking） | モデルの予測値を特徴量として、さらに別モデルで学習する |
| seed averaging | 乱数シードだけ変えた複数モデルを平均する |
| 疑似ラベル（Pseudo Labeling） | テストデータへの予測を正解とみなして学習に加える手法 |
| 後処理（Post Processing） | 予測結果をルールで補正すること |
| Trust your CV | 「Public LBよりも自分のCVを信じろ」という格言 |
| パイプライン | 読み込み〜提出までの一連の処理の流れ |
| 実験管理 | どの変更でスコアがどう動いたかを記録すること |
環境・ツール
| 用語 | 意味 |
|---|---|
| Python | Kaggleで使う主言語 |
| Jupyter Notebook | セル単位で実行できるノート形式の環境 |
| pandas | 表データを扱うライブラリ。最重要 |
| NumPy | 数値計算ライブラリ |
| matplotlib / seaborn | グラフ描画ライブラリ |
| scikit-learn（sklearn） | 機械学習の総合ライブラリ |
| Optuna | ハイパーパラメータ自動最適化ツール |
| PyTorch | ディープラーニングのライブラリ。Kaggleの主流 |
| Google Colab | Googleが提供するNotebook環境 |
| GPU / TPU | 高速計算用の装置。ディープラーニングで使う |
| Kaggle API | コマンドラインでデータ取得・提出ができる公式ツール |