主成分分析（PCA：Principal Component Analysis）はG検定対策を理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk unsupervised_learning

G検定トップ ＞ 主成分分析（PCA：Principal Component Analysis）とは？G検定対策

まず結論

  • 主成分分析（PCA）とは、ラベルを使わずにデータの分散が最大となる方向（主成分）を見つけ、次元削減を行う教師なし学習手法。
  • G検定では「教師ありではない」「分散最大化」「主成分は直交」を正しく判断できるかが問われる。

直感的な説明

  • たくさん点が散らばっているデータを、

    • いちばん広がっている向きに眺めると
    • 少ない軸でも特徴がよく分かります。

  • PCAは、 👉 データを一番“情報が多く見える向き”に回転させて、軸を減らす方法です。

定義・仕組み

  • PCAは、

    • データの分散が最大になる方向を第1主成分とし
    • それと直交しつつ次に分散が大きい方向を第2主成分
    • …と順に主成分を求めます。

  • 特徴：

    • 教師なし学習
    • 線形次元削減
    • 主成分同士は互いに直交（無相関）

いつ使う？（得意・不得意）

使われる場面（得意）

  • 前処理としての次元削減
  • 可視化（2次元・3次元）
  • ノイズ除去

注意点・不得意

  • ラベル情報は使えない
  • 非線形構造は表現できない

G検定ひっかけポイント

  • よくある誤り表現：

    • ❌ 「教師あり学習である」
    • ❌ 「ラベル情報に基づいて軸を決める」

  • 正しい理解：

    • 分散最大化
    • 教師なし学習

  • 判断基準：

    • 「分散が最大」→ PCA
    • 「ラベルを使う」→ LDA（別物）

まとめ（試験直前用）

  • PCA＝教師なし次元削減
  • 分散が最大の方向を探す
  • 主成分は直交・無相関
  • 前処理・可視化でよく使う
  • ラベルは使わない

🔗 関連記事

🏠 G検トップに戻る