SVD（特異値分解）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 linear_algebra

G検定トップ ＞ SVD（特異値分解）とは？G検定対策

まず結論

  • SVD（特異値分解, Singular Value Decomposition）とは、行列を3つの行列に分解し、データの本質的な構造を取り出す線形代数の手法。
  • G検定ではPCAとの関係や次元削減・ノイズ除去に使われる点が問われる。

直感的な説明

  • 大量のデータを「重要な情報」と「それほど重要でない情報」に分けたい場面を想像してください。

  • SVDは、

    • データの中で影響の大きい方向を見つけ
    • 重要度の低い部分を切り落とす
  • つまり、👉 データを“圧縮して要点だけ残す”方法です。

定義・仕組み

  • SVDでは、任意の行列 X を次の3つに分解します：

    • 左特異ベクトル行列
    • 特異値（重要度）
    • 右特異ベクトル行列

  • 特徴：

    • 行列が正方でなくても分解可能
    • 特異値の大きさが情報量を表す
    • 小さい特異値を捨てることで次元削減が可能

いつ使う？（得意・不得意）

使われる場面（得意）

  • 次元削減
  • ノイズ除去
  • 潜在意味解析（LSA）
  • PCAの内部計算

注意点・不得意

  • 計算コストが高い
  • 非線形構造は表現できない

G検定ひっかけポイント

  • よくある誤解：

    • ❌ 教師あり学習アルゴリズム
    • ❌ 非線形次元削減手法

  • PCAとの関係：

    • PCAはSVDを用いて計算される
    • 目的は分散最大化、仕組みはSVD

  • 判断基準：

    • 行列分解 → SVD
    • 分散最大化 → PCA

まとめ（試験直前用）

  • SVD＝行列を3つに分解
  • 特異値が重要度を表す
  • 次元削減・ノイズ除去に利用
  • PCAの基盤技術
  • 非線形ではない

🔗 関連記事

🏠 G検トップに戻る