---
title: "主成分分析（PCA：Principal Component Analysis）とは？G検定対策"
description: "主成分分析（PCA）は、ラベルを使わず、データの分散が最大になる互いに直交した方向を主成分として求める線形次元削減手法です。情報をなるべく保ちながら特徴数を減らし、可視化や前処理に使う役割を確認し、教師ありの特徴選択や非線形な局所構造を重視するt-SNEとの違いを判断します。"
canonical_url: "https://stemtazoo.github.io/gk/pca/"
section: "gk"
---

## 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