【G検定過去問風テスト】文書のテーマを自動分類する「LDA（潜在的ディリクレ配分法）」の仕組みを解説！
※本記事では、アフィリエイトプログラムより教材を紹介しています。
📝 問題
大量のテキストデータ（文章）を読み込ませ、各文書の中に含まれる目に見えない潜在的なテーマ（トピック）の割合（例：「政治が60%、経済が30%、スポーツが10%」など）を確率的に推定して自動分類する代表的なトピックモデルの手法として、最も適切な選択肢を1つ選べ。
- A）主成分分析（PCA）
- B）潜在的ディリクレ配分法（LDA）
- C）Paraphrasing
- D）k-means法
🔍 ここをクリックして正解を見る
- 正解: B）潜在的ディリクレ配分法（LDA）
💡 合格に近づく！徹底解説
- 重要度: ★★☆
■ 1分で分かる！この問題の要点
- LDA（潜在的ディリクレ配分法）は、文章データから隠れたテーマ（トピック）の割合を抽出するトピックモデルの代表格。
- 単に文章を1つのジャンルに分類するのではなく、「この記事は政治が6割、経済が3割…」のように確率的な構成比率として捉えるのが特徴！
■ 初学者向け解説（例え話や背景）
LDAは、「ニュース記事の『配合ブレンド比率』を見つけ出すソムリエ」に例えられます。
たとえば、AIの規制に関するニュース記事があるとします。この記事には「AI」という技術の話題だけでなく、「法律」や「経済的な影響」の話題も混ざっていますよね。
LDAを使うと、文章中の単語の出やすさを元にして、「この記事は『IT技術』が50%、『法律・政治』が40%、『ビジネス』が10%のブレンド（トピック割合）で書かれているな」と、目に見えないテーマ構成を確率的に見破ってくれます。
■ 選択肢の解説
- A) 主成分分析（PCA）（×）: データのバラつき（分散）を保ったまま多次元データを圧縮する線形次元削減の手法です。
- B) 潜在的ディリクレ配分法（LDA）（○）: 文書に潜む潜在的なトピックの比率を確率的に推定するトピックモデルの代表手法です。
- C) Paraphrasing（×）: テキストデータの単語を同義語や言い換え表現に変換する自然言語処理の手法です（データ拡張などに用いられます）。
- D) k-means法（×）: 幾何学的な距離に基づいてデータを$k$個の塊に切り分ける非階層型クラスタリングの手法です。
👉 次の問題＆解説テキスト
お疲れ様です！
この調子で次の問題に挑戦しますか？
それとも、立ち止まって詳しい解説を確認しますか？
