説明変数とは、AIや機械学習のモデルが何かを予測したり、分類したりする際に根拠とする入力データのことを指します。これは、モデルが結果を導き出すために「説明」として利用する、言わば原因や手がかりとなる情報です。

例えば、住宅の価格を予測するモデルを考える場合、その住宅の「広さ」「築年数」「最寄駅からの距離」などが説明変数にあたります。モデルはこれらの変数の値から、最終的な価格という目的変数（予測したい結果）を推定します。

説明変数は、モデルの性能と解釈性に極めて重要な役割を果たします。

適切な変数が選ばれていなければ、どれほど複雑なモデルを用いても正確な予測は困難になります。逆に、不適切な、あるいは関連性の低い変数が多数含まれていると、モデルが過学習を起こしやすくなったり、予測の理由を人間が理解しづらくなったりする原因となります。

モデルを構築する初期段階では、どのデータを説明変数として採用するか、またそのデータをどのように前処理するか（例えば、数値化や標準化を行う）が慎重に検討されます。

この選定作業は特徴量エンジニアリングと呼ばれ、データの性質を深く理解し、予測に最も貢献する要素を見つけ出すことが成功の鍵となります。

したがって、説明変数とは、AIが学習し、将来の事象や未知のデータを予測する上での基盤となる、入力側のデータ要素の総称と言えます。モデルの知的な振る舞いは、この説明変数の質の高さに大きく依存しているのです。