【G検定】多次元尺度構成法（MDS）とは？距離の情報から「地図」を描く可視化手法

「AとBは似ている、AとCはあまり似ていない」——そんな距離・類似度の情報だけから、対象同士の位置関係を平面上の地図のように描き出すのが多次元尺度構成法（MDS）です。主成分分析と並ぶ可視化・次元削減の手法として、G検定でも名前と役割の対応が問われます。

📖 ひと言でいうと

多次元尺度構成法（MDS: Multi-Dimensional Scaling）とは、対象同士の類似性や距離の情報をもとに、その関係をできるだけ保ったまま低次元空間（主に2次元や3次元）の点の配置として表現する多変量解析の手法です。高次元データや「似ている度合い」しか分からないデータを、目で見える地図のような形に変換できます。

例えるなら、都市間の所要時間の一覧表だけを渡されて、白紙に各都市の位置を描き込む作業です。「東京—大阪は近い、東京—福岡は遠い」という距離の情報を全部満たすように点を配置していくと、実際の地図に近い配置が復元できます。MDSはこの「距離の表から地図を復元する」ことを、どんなデータに対しても行う手法です。

🖼 1枚でわかる多次元尺度構成法

MDS＝距離・類似度の情報を低次元の配置で表す

多変量解析の一手法 — 英語はMulti-Dimensional Scaling（MDS）
入力は類似性・距離の情報 — 「どれとどれがどれくらい似ているか」
出力は低次元空間の点の布置 — 似たものは近く、違うものは遠く配置
主成分分析と同じ発想 — 高次元データを低次元に投影して可視化する
得意分野 — 人間の知覚・評価データの分析に効果的

つくもち屋「G検定対策」SUMMARY

📘 公式テキストの説明

多変量解析の一手法。主成分分析の様に分類対象物の関係を低次元空間における点の布置で表現する手法である。主成分分析と同様に、高次元データをより簡潔に低次元空間に投影し、データ間の関係を可視化することができる。これにより、データの構造やパターンを理解しやすくなる。また、MDSは、類似性や距離の情報を元に、データを最適な形で配置するため、データの比較や解釈が容易に行える。特に、人間の知覚や評価に関するデータの分析において効果的な手法とされる。

「点の布置」という耳慣れない言葉が出てきますが、これは「点の配置・並べ方」のことです。つまりMDSとは、対象同士の関係を低次元空間での点の配置として表現する手法だ、と読み替えられます。

公式テキストが強調しているのは、①主成分分析と同じく高次元データを低次元に投影して可視化する仲間であること、②配置の根拠が「類似性や距離の情報」であること、③人間の知覚や評価に関するデータの分析に特に効果的であること、の3点です。この3点がそのまま試験の論点になります。

🔍 しっかり理解する

入力が「距離の表」でよい、という特徴

主成分分析は「各対象の特徴量の値」（例: 身長170cm・体重60kg…）を入力とします。一方MDSは、対象ペアごとの距離や類似度の一覧さえあれば動きます。つまり「Aの特徴量は何か」が分からなくても、「AとBがどれくらい似ているか」さえ測れていれば分析できるのです。

これがMDSの適用範囲を広げています。たとえば「2つの銘柄のコーヒーがどれくらい似た味か」を人に評価してもらったデータには、身長や体重のような特徴量はありません。あるのは類似度の評価だけです。こうしたデータでも、MDSなら平面上の配置に変換できます。

距離・類似度を用意

対象のペアごとの「似ている度合い」の表

→

低次元空間に配置

元の距離関係をできるだけ再現するよう点を置く

→

配置を調整

元の距離とのずれが小さくなるよう最適化

→

地図として解釈

近い点＝似た対象として構造を読む

「元の距離をなるべく保つ」最適化

MDSの中身は、「低次元に配置した点同士の距離」が「元データの距離・類似度」となるべく一致するように、点の位置を調整する最適化です。完全に一致させることは通常できないため、ずれ（ひずみ）が最小になる配置を探します。結果として得られた散布図では、近くにある点同士は「元データでも似ていた対象」、遠い点同士は「似ていなかった対象」と読めます。

なぜ人間の知覚・評価データに強いのか

人間の感じる「似ている・似ていない」は、特徴量として数値化しにくい情報です。ブランドの印象、味、デザインの好みなどは、「どの変数がいくつ」とは書き下せませんが、ペアを見比べて似ている度合いを答えてもらうことはできます。MDSは、まさにこの形式のデータ（類似性評価）を入力にできるため、心理学の知覚研究やマーケティングの消費者調査で古くから活躍してきました。公式テキストの「人間の知覚や評価に関するデータの分析において効果的」という一文はこの背景を指しています。

💡 具体例で考える

マーケティングの定番例が、ブランドのポジショニングマップです。消費者に「ブランドAとB、どれくらい似ていますか」とペアごとに評価してもらい、その類似度データをMDSで2次元に配置すると、「高級志向のブランドが集まる領域」「カジュアル志向の領域」といった市場の勢力図が1枚の平面に描き出されます。自社ブランドがどの競合の近くに位置し、どこに空白地帯があるかが一目で分かり、商品企画や広告戦略の材料になります。

もう1つは冒頭でも触れた都市間距離の例です。都市間の直線距離の一覧だけをMDSに与えると、実際の地図とほぼ同じ相対配置が復元されます（回転や反転の違いは残ります）。「距離の情報だけから空間配置を再構成できる」というMDSの本質を最も直感的に示す実験例です。

⚠️ よくある誤解・紛らわしい用語

💡 ポイント

主成分分析（PCA）との違い: どちらも低次元への投影・可視化の手法ですが、PCAは特徴量の値を入力に分散最大の方向を探すのに対し、MDSは距離・類似度の情報を入力に、その関係を保つ配置を探します。「特徴量の表がなくても使えるのがMDS」と覚えると区別しやすくなります。
t-SNEとの関係: t-SNEも「近さを低次元で再現する」可視化手法で発想は近いですが、G検定では「可視化によく用いられる次元圧縮の手法＝t-SNE」「距離情報からの布置＝MDS」という手法名の対応を押さえれば十分です。
MDSの配置の軸に絶対的な意味はない: PCAの主成分と違い、MDSの縦軸・横軸そのものに「第1主成分」のような定義はありません。読むべきは点同士の相対的な近さです。
クラスタリングではない: MDSは配置（可視化）までを行う手法で、グループの境界を自動で引くわけではありません。配置図からまとまりを読み取るのは人間、あるいは別途適用するクラスタリングの役割です。

📝 試験でのポイント