---
title: "MDS（多次元尺度構成法）とは？G検定対策"
description: "MDS（多次元尺度構成法）について、G検定で問われる特徴量・教師なし学習分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/mds/"
section: "gk"
---

## まず結論

* **MDS（多次元尺度構成法, Multidimensional Scaling）**とは、データ間の**距離や類似度**をもとに、データを**低次元空間に配置して可視化する手法**。
* G検定では**「教師あり学習か？」「分類手法か？」という誤解を狙った選択肢**が頻出。

## 直感的な説明

* たくさんの都市間の距離表だけを渡されて、「地図を描いて」と言われる状況を想像してください。
* MDSは、

  * 「どれとどれが近いか／遠いか」
  * という**距離関係だけ**を頼りに
  * 2次元や3次元の地図を作る方法です。
* 👉 **データの正体は分からなくても、関係性を“見える化”できる**のがポイントです。

## 定義・仕組み

* MDSは、

  * 観測データ間の距離行列（または類似度行列）を入力として
  * その距離関係ができるだけ保たれるように
  * 低次元空間に点を配置する
    **次元削減・可視化手法**です。

* 特徴：

  * 教師データは不要（教師なし学習）
  * クラスラベルを使わない
  * 分類そのものは行わない

## いつ使う？（得意・不得意）

### 使われる場面（得意）

* 高次元データの可視化
* 類似度・距離に基づくデータ探索
* クラスタの傾向把握

### 注意点・不得意

* クラス分類アルゴリズムではない
* 次元削減後の軸に明確な意味はない
* 距離の定義に結果が強く依存する

## G検定ひっかけポイント

* よくある誤り表現：

  * ❌ 「主にクラス分類問題に用いられる教師あり学習」

* 正しい理解：

  * 教師なし学習
  * 可視化・次元削減が目的

* 他手法との混同：

  * PCA：分散を最大化
  * t-SNE / UMAP：局所構造重視

* 判断基準：

  * **距離行列から配置 → MDS**
  * **分類・予測が目的 → MDSではない**

## まとめ（試験直前用）

* MDS＝距離・類似度を保って配置
* 教師なし学習・可視化手法
* 分類アルゴリズムではない
* 距離の保存がキーワード
* 「教師あり」「分類」と書かれたら誤り