{
  "fetched_at": "2026-10-24T06:22:03Z",
  "source_url": "https://www.kaggle.com/competitions/competition-zero2022winter-classificationescape/data",
  "pages": [
    {
      "name": "data-description",
      "content": "# データの概要\n皆さんに与えられたデータは医療保険契約者のデータです。\n1行=1顧客であり、顧客を特定するキー項目である「id」以外の列はその顧客の属性的な情報です。\nデータの詳細についてはOverviewに記載しております。\nここでは各csvの説明を記載いたします。\n\n# train.csv\n学習用データです。\nモデル構築の際にこの train.csv を利用してください。\n\n# test.csv\nテスト用データです。\nこちらを予測してください。\n\n# sample_submission.csv\n提出用データの一例です。\nこのように「id」、「Response」の2列のデータで提出してください。\n\n# test_answer.csv\nテスト用データに正解ラベルが付与されたものです。\n本来であればコンペの際にはこのようなデータは共有されませんが今回は共有いたします。\nただしこのデータに沿うように分析を行うようなことはしないでください。\n（例えばこのtest_answerのデータの分布に沿うようにtrainを加工したり等）\n予測結果の答え合わせに用いる分には構いません。",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# このコンペについて\n電気通信大学2021年度高度技術研修「ゼロから始めるデータサイエンティスト養成講座」の判別モデル作成のカリキュラムで用いるコンペティションです。\n参加者の皆様にはこのInclassを用いて判別モデル作成について学んでいただきます。\n\n# 設定\n皆さんは大きな保険会社に勤めているとします。この会社では生命保険、医療保険、損害保険等々、様々な保険商品を取り扱っています。\n会社としては当然、ある保険に既に加入している人に別の保険にも加入してもらいたいものです。そこで皆さんには次のような業務が与えられました。\n・どうすれば既にある保険に加入している人が別の保険にも加入するかの調査\n・どういう人に勧めれば別の保険にも加入してくれやすいかのクロスセル戦略立案\n与えられたデータは、過去1年間の医療保険契約者に対して「車両保険に興味がある/ない」のフラグがついているデータです。\nそこで皆さんは「医療保険契約者が車両保険に興味がある/ない」を判別するモデルを構築し、その結果を基にして「どのような顧客に対して車両保険を勧めれば効率が良いだろうか」を考えることにしました。\n\n# データの概要\n\ntrain/testの2種類のデータがある。\nデータの保持する列の意味は次の通りである。\nResponseが目的変数であり、これはtrainデータにのみ存在する。\n\nid：顧客の一意なID  \n\nGender：顧客の性別   \n\nAge：顧客の年齢   \n\nDriving_License：0=持っていない、1=持っている   \n\nRegion_Code：顧客の地域を表すユニークなコード  \n\nPreviously_insured：0=車両保険に加入していない、1=既に車両保険に加入している  \n\nVehicle_Age：車両使用年数  \n\nVehicle_Damage：0=過去に破損無し、1=過去に破損あり  \n\nAnnual_Premium：顧客の1年間の医療保険料負担額  \n\nPolicySalesChannel：顧客にアプローチするチャネル（異なる代理店、郵便、電話、対面など）の匿\n名化されたコード  \n\nVintage：顧客が当社と関わりを持った日数  \n\nResponse：0=顧客は車両保険に興味がない、 1=顧客が車両保険に興味がある  ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "# モデルについて\nこのコンペで扱うデータの目的変数は0-1の2値です。\nすなわち2値分類予測モデルの精度を競い合うことになります。\n\n# 今回使用する精度指標\n今回はF1スコアを精度指標とします。\nF1スコアは再現率と適合率の調和平均で計算されます。\n\n$$ \\textrm{F1 score} = \\frac{2 \\times \\textrm{Recall} \\times \\textrm{Precision}}{\\textrm{Recall} + \\textrm{Precision}} $$\n\n$$ \\textrm{Recall} = \\frac{\\textrm{TP}}{\\textrm{TP} + \\textrm{FN}}$$\n\n$$ \\textrm{Precision} = \\frac{\\textrm{TP}}{\\textrm{TP} + \\textrm{FP}}$$\n\nここで TP（True Positive）とは、「実際に陽性、かつ、モデルの予測結果も陽性」です。\nまた FP（False Positive）とは、「実際は陰性だがモデルの予測結果は陽性」です。\nまた TN（True Negative）とは、「実際に陰性、かつ、モデルの予測結果も陰性」です。\nまた FN（False Negative）とは、「実際は陽性だがモデルの予測結果は陰性」です。\n\n# F1スコアの特徴\n再現率は「見逃しをしていないかどうか」の観点でモデルの精度を評価し、適合率は「無駄打ちがないかどうか」の観点でモデルの精度を評価します。\nただし多くの場合において「見逃しの少なさ」と「無駄打ちの少なさ」はトレードオフの関係にあり、どちらか一方のみを改善することに固執すると他方が悪化する場合が多いです。\nF1スコアは再現率と適合率の調和平均で計算されることから、どちらもある程度加味して精度を評価するような精度指標です。\n\nF1スコアは0以上1以下の値をとり、1に近いほどモデルの精度は良いと言えます。\nF1スコアの分子に再現率と適合率の積があることから、少なくともどちらか一方が0に近くなってしまうとF1スコアも0に近づきます。\nよってF1スコアの値を上げるためには「少なくとも、再現率も適合率もある程度大きい値をもつ」ような状況を目指さなければなりません。",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "License",
      "content": "GNU GENERAL PUBLIC LICENSE\nVersion 2, June 1991\nCopyright (C) 2022, Takuya Sasamori\n\nThis program is free software; you can redistribute it and/or\nmodify it under the terms of the GNU General Public License\nas published by the Free Software Foundation; either version 2\nof the License, or (at your option) any later version.\n\nThis program is distributed in the hope that it will be useful,\nbut WITHOUT ANY WARRANTY; without even the implied warranty of\nMERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the\nGNU General Public License for more details.\n\nこのコンペで利用しているデータは Health Insurance Cross Sell Prediction(https://www.kaggle.com/anmolkumar/health-insurance-cross-sell-prediction) で公開されているデータを一部改変したものです。\n\nGPL version 2ライセンス(https://www.gnu.org/licenses/old-licenses/gpl-2.0.en.html) を有するものであり、この派生著作物にもGPL version2ライセンスが適用されます。\n・商用利用可能\n・利用に伴い作成者はいかなる責任も負わない\n・著作権表示とライセンス条文+無保証である旨をソフトウェアの重要部分（ヘッダ部など）に記載する必要あり\n・GPL ライセンスを利用して作成されたソフトウェアは頒布時にソースコードの公開義務あり（改変部分のソースコード公開を含む）\n・頒布がバイナリによるものであれば、ソースコードに加えてバイナリを生成するために必要な構成ファイル等の開示義務あり\n・GPL ライセンスが適用されたプログラムの全部あるいは一部を用いて作られたソフトウェアは GPL に従って頒布されること\n・GPL ライセンスを適用したソフトウェアを頒布する際に GPL ライセンスで書かれている以上の条件を課すことは出来ない",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}