---
title: "t-SNE（t-distributed Stochastic Neighbor Embedding）とは？G検定対策"
description: "t-SNE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、特徴の捉え方、データの分布、教師なし学習で何を判断するかを整理します。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。具体例や典型的なひっかけも意識して、試験でどの知識として使うかを押さえます。"
canonical_url: "https://stemtazoo.github.io/gk/tsne/"
section: "gk"
---

## まず結論

* **t-SNE**とは、高次元データの**近いデータ同士の関係（局所構造）を保ちながら**、低次元（2次元・3次元）に可視化するための**教師なし次元削減手法**。
* G検定では**「可視化専用」「分類ではない」「大域構造は保証しない」**点が問われる。

## 直感的な説明

* クラス写真を並べるとき、

  * 仲の良い友達同士は近く
  * あまり関係ない人は遠く
    なるように配置したい、というイメージです。
* t-SNEは、

  * **近い点同士をとにかく近く保つ**ことを最優先にして
  * 平面上に点を並べます。
* 👉 **「近所関係」をきれいに見せる地図**を作る手法です。

## 定義・仕組み

* t-SNEは、

  * 高次元空間でのデータ点間の類似度を確率として表し
  * 低次元空間でもその確率分布が似るように
  * 配置を最適化する手法です。

* 特徴：

  * 教師なし学習
  * 局所構造（近傍関係）を重視
  * 大域的な距離関係は保たれない

## いつ使う？（得意・不得意）

### 使われる場面（得意）

* 高次元特徴量の可視化
* クラスタ構造の直感的把握
* モデル内部表現の確認

### 注意点・不得意

* クラス分類や予測には使えない
* 実行ごとに結果が変わることがある
* 軸やクラスタ間距離に意味はない

## G検定ひっかけポイント

* よくある誤り表現：

  * ❌ 「クラス分類アルゴリズムである」
  * ❌ 「大域的な距離関係を正確に保持する」

* 正しい理解：

  * 可視化専用
  * 近い点の関係を重視

* 判断基準：

  * **局所構造を保つ → t-SNE**
  * **大域構造を保つ → MDS / PCA**

## まとめ（試験直前用）

* t-SNE＝局所構造重視の可視化手法
* 教師なし・次元削減
* 分類や予測には使わない
* 大域的距離は信用しない
* 「近所をきれいに見せる」と覚える