最終更新日：2026年8月26日
gk unsupervised_learning
G検定トップ
＞ UMAPとは？t-SNEとの違い【G検定対策】
まず結論
UMAP（Uniform Manifold Approximation and Projection）は、高次元データの近傍構造を低次元で表現する非線形次元削減手法です。
G検定では、t-SNEとの比較で次を押さえます。
- どちらも近傍関係を重視する非線形次元削減
- UMAPは大規模データで高速な場合が多い
- UMAPはt-SNEより大域的な関係も反映しやすいとされるが、元空間の大域距離を正確に保存すると保証されるわけではない
直感的な説明
高次元データから「誰と誰が近所か」という関係をグラフにし、そのつながりをなるべく保ちながら低次元へ配置するイメージです。
t-SNEと同様、可視化によく使われますが、結果の見た目をそのまま定量的な距離として読むのは危険です。
定義・仕組み
UMAPは、データが低次元多様体上にあるという考え方を背景に、近傍グラフを構成し、その構造を低次元空間で近似します。
代表的な調整項目には、
n_neighbors：どの程度の近傍範囲を見るかmin_dist：低次元で点をどれくらい密に配置するか
などがあります。
設定や乱数によって配置は変わり得るため、「UMAPなら必ず同じ結果になる」とは考えません。
いつ使う？（得意・不得意）
向いている場面
- 高次元データの可視化
- 大規模な埋め込み表現の探索
- 近傍構造を保った低次元表現がほしい
注意点
- 分類器そのものではない
- パラメータで見え方が変わる
- クラスタ間の距離や面積をそのまま元空間の距離として解釈しない
G検定ひっかけポイント
- ❌「教師あり分類アルゴリズム」→ 次元削減
- ❌「大域距離を完全に保存する」→ 保証しない
- ❌「t-SNEは局所、UMAPは大域だけを見る」→ どちらも近傍構造を重視
- ⭕「近傍グラフ・多様体」→ UMAP
- ⭕「t-SNEより高速な場合が多い」→ UMAPの代表的な特徴
まとめ（試験直前用）
- UMAP＝近傍構造を重視する非線形次元削減
- 可視化に広く使う
- t-SNEより高速な場合が多い
- 大域構造も反映しやすいが完全保存ではない
- 局所 vs 大域の単純二分で覚えない