【G検定過去問風テスト】次元削減の絶対王者「主成分分析（PCA）」の仕組みと特徴をマスター！

2026年7月22日 2026年7月22日 atsushi_kitazawa

※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

多数の特徴量を持つ高次元データに対し、データの持つ情報（分散）をできるだけ保持したまま、互いに無相関な新しい合成変数（主成分）を作り出して次元を圧縮する線形の次元削減手法として、最も適切な選択肢を1つ選べ。

A）k-means法
B）主成分分析（PCA）
C）t-SNE
D）潜在的ディリクレ配分法（LDA）

🔍 ここをクリックして正解を見る

正解: B）主成分分析（PCA）

💡 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

主成分分析（PCA）は、データの散らばり（分散）が最大になる方向を見つけて次元を削る線形の次元削減手法。
複雑な曲線的パターンを削減する「非線形（t-SNEなど）」とは異なり、直線的・平面的に重要な「合成の物差し（主成分）」を自ら作るのが最大の特徴！

■ 初学者向け解説（例え話や背景）

主成分分析（PCA）は、「5教科のテスト結果を『文系力』と『理系力』という2つの総合指標にまとめ直す作業」に例えられます。

生徒の「国語・数学・理科・社会・英語」の点数（5つの変数＝5次元）は情報が多くて全体像がつかみにくいですよね。
そこでPCAを使うと、データのバラつきを最も上手く表現できる新しい共通の物差し（第1主成分＝文系度、第2主成分＝理系度など）を作り出し、5次元の情報を重要なエッセンスを保ったまま2次元へと圧縮してスッキリ整理してくれます。

■ 選択肢の解説

A) k-means法（×）: データをk個のグループに分ける非階層型クラスタリングの手法です（次元削減ではありません）。
B) 主成分分析（PCA）（○）: データのバラつき（分散）を最大化するような「主成分」を作成し、情報を損なわずに次元を減らす線形次元削減の代表的手法です。
C) t-SNE（×）: 高次元での「データの近さ」を維持したまま可視化を行う非線形次元削減の手法です。
D) 潜在的ディリクレ配分法（LDA）（×）: テキストデータに潜むテーマ（トピック）の割合を確率的に分類するトピックモデルの手法です。