Summary  
This chapter explains how to generate interaction features by combining existing variables—such as multiplying numeric and encoded categorical fields—to capture complex joint effects for model input.  

General domain of usage  
Machine learning feature engineering

**相互作用特徴量**は、2つ以上の既存の特徴量を**乗算**、**除算**、**加算**などの数学的操作によって組み合わせて作成される新しい変数であり、これらの変数がターゲットにどのように共同で影響を与えるかを反映するもの。

定義

相互作用特徴量を作成することで、Titanicデータセット内の**Age**、**Fare**、**Pclass**、**Sex**などの変数間の複雑な関係性を捉えることが可能。1つの変数が生存に与える影響は、他の変数の値によって異なる場合がある。例えば、乗客クラスが生存に与える効果は性別によって異なったり、若い乗客は高い運賃の恩恵をより受ける可能性がある。`Age * Fare`や`Pclass * Sex_encoded`のような特徴量を組み合わせることで、モデルがこれらの微妙なパターンを学習し、変数同士の相互作用に基づいて誰が生存したかをより正確に予測できるようになる。

import pandas as pd

# Sample Titanic-like dataset
data = {
    "Age": [22, 38, 26, 35, 28],
    "Fare": [7.25, 71.28, 7.92, 53.10, 8.05],
    "Pclass": [3, 1, 3, 1, 3],
    "Sex": ["male", "female", "female", "female", "male"],
    "Survived": [0, 1, 1, 1, 0]
}
df = pd.DataFrame(data)

# Encode 'Sex' as a numeric feature
df["Sex_encoded"] = df["Sex"].map({"male": 0, "female": 1})

# Create interaction features
df["Age_Fare_product"] = df["Age"] * df["Fare"]
df["Pclass_Sex_interaction"] = df["Pclass"] * df["Sex_encoded"]

print(df[["Age", "Fare", "Pclass", "Sex", "Age_Fare_product", "Pclass_Sex_interaction", "Survived"]])

次のうち、タイタニックデータセットで `Age * Fare` や `Pclass * Sex_encoded` のように、変数間の関係を捉える有用な相互作用特徴量を最もよく表しているものはどれですか？

教師あり学習のための生データ準備に必要な基本的手法を網羅しています。欠損値の処理、カテゴリカル特徴量のエンコーディング、数値データのスケーリングおよび変換、モデルの性能と信頼性を向上させる有意義な特徴量の作成に焦点を当てています。


相互作用特徴量の作成