特徴量が何十・何百もあるデータは、そのままでは人間の目で眺めることも、効率よく学習させることも困難です。そこで登場するのが、情報の本質を保ったまま特徴量の数を減らす「次元削減」です。教師なし学習のもう1つの柱として、クラスタリングと並ぶ頻出キーワードです。
📖 ひと言でいうと
次元削減とは、多次元からなる情報を、その意味をできるだけ保ったまま、より少ない次元の情報に落とし込むことです。ここでいう「次元」とはデータの特徴量（変数）の数のことで、たとえば100項目のデータを2〜3項目に圧縮する操作が次元削減にあたります。
身近な例えは「影絵」です。立体（3次元）の手をスクリーンに映すと2次元の影になりますが、映す角度をうまく選べば「キツネの形」という本質的な情報は影だけで十分伝わります。次元削減も同じで、情報の損失をなるべく抑えられる「映し方」を探して、高次元データを低次元に投影する技術です。
🖼 1枚でわかる次元削減
📘 公式テキストの説明
多次元からなる情報をその意味を保ったまま、それより少ない次元の情報に落とし込むこと。これは、データの特徴を抽出し、情報の本質を理解しやすい形に変換することで、データ分析や機械学習の効率を向上させることが可能となる。また、次元削減はデータの可視化にも役立ち、高次元データを2次元や3次元のグラフにプロットすることで、データの傾向やクラスタリングを視覚的に捉えることができる。次元削減には主成分分析（PCA）やt-分布確率近傍埋め込み法（t-SNE）などの手法があり、それぞれ異なるアプローチで次元削減を実現する。主成分分析は、データの分散が最大となる方向を見つけることで次元を削減し、t-SNEは高次元空間のデータの近さを確率分布で表現し、それを低次元空間に再現することで次元削減を行う。
かみ砕くと、次元削減の目的は大きく2つです。1つ目は「機械学習・分析の効率化」。特徴量が多すぎると計算量が増え、モデルの学習も難しくなるため、本質的な情報だけを残して軽くします。2つ目は「可視化」。人間が目で見て理解できるのはせいぜい2〜3次元のグラフまでなので、高次元データを2次元に落とせば、データのまとまりや傾向を一目で確認できます。
さらに公式テキストは、代表手法としてPCAとt-SNEの「アプローチの違い」まで踏み込んでいます。PCAは分散が最大となる方向を探す、t-SNEはデータ同士の近さを確率分布で表して低次元に再現する——この対比は選択肢問題の定番なので、そのまま覚えておく価値があります。
🔍 しっかり理解する
「次元」とは特徴量の数のこと
機械学習における次元とは、縦・横・高さのような物理的な空間だけでなく、データを構成する特徴量の数を指します。たとえば顧客データが「年齢・年収・購入回数・平均単価…」と50項目あれば、それは50次元のデータです。各データは50次元空間の1つの点として扱われます。
次元が増えるほどデータの表現力は上がりますが、良いことばかりではありません。計算量が膨らみ、次元数に対して必要なデータ量が急増して学習がうまく進まなくなる「次元の呪い」と呼ばれる現象も起こります。似た情報を持つ特徴量（強く相関する変数）が混ざっていることも多いため、「意味を保ったまま減らす」余地は十分にあるのです。
削減の流れと2大手法
代表手法のうち主成分分析（PCA）は、データのばらつき（分散）が最も大きい方向を新しい軸として順に選んでいく線形の手法です。ばらつきが大きい方向ほど情報を多く含むという考え方にもとづきます。一方のt-SNE（t-分布確率近傍埋め込み法）は、高次元空間で「近くにいる点同士」の関係を確率分布で表現し、その近さの関係を低次元でもできるだけ再現するように配置する手法で、特に可視化の用途で強みを発揮します。それぞれの詳細は「主成分分析」「t-SNE」の各記事で解説します。
クラスタリングとの関係
次元削減とクラスタリングは、どちらも正解ラベルを使わない教師なし学習ですが、目的が異なります。クラスタリングは「データをグループに分ける」こと、次元削減は「データの表現を圧縮する」ことです。ただし両者は連携して使われることが多く、たとえば高次元データを次元削減で2次元に落としてからプロットすると、クラスタ（まとまり）の存在が視覚的に確認しやすくなります。前処理として次元削減を行い、その後にクラスタリングを実行する、という組み合わせも定番です。
💡 具体例で考える
顧客アンケートの分析を考えましょう。50問の設問（50次元）への回答をそのまま眺めても全体像はつかめませんが、次元削減で2次元に圧縮して散布図にすると、「価格重視の回答者のかたまり」「品質重視のかたまり」といった構造が目に見える形で浮かび上がります。これが公式テキストのいう「傾向やクラスタリングを視覚的に捉える」効果です。
もう1つの典型例が手書き数字画像です。28×28ピクセルの画像は784次元のデータですが、t-SNEで2次元に落として可視化すると、「0」の画像群、「1」の画像群…が平面上でそれぞれかたまりを作ります。ラベルを一切使っていないのに、同じ数字同士が自然と寄り集まる様子が確認でき、次元削減が「意味を保ったまま」圧縮していることを実感できる例です。
⚠️ よくある誤解・紛らわしい用語
- 次元削減は「特徴量を捨てるだけ」ではない: 単に列を削除するのではなく、複数の特徴量を組み合わせた新しい少数の軸を作るのが基本です（PCAの主成分が典型）。
- クラスタリングとの混同: どちらも教師なし学習ですが、グループ分けをするのがクラスタリング、表現を圧縮するのが次元削減です。「次元削減はデータをグループに分ける手法」という選択肢は誤りです。
- PCAとt-SNEのアプローチの取り違え: 分散最大の方向を見つけるのがPCA、近さを確率分布で表して低次元に再現するのがt-SNEです。説明文を入れ替えた誤答に注意しましょう。
- 圧縮＝無損失ではない: 次元削減では情報の一部は必ず失われます。「意味を保ったまま」とは、本質的な情報の損失を最小限に抑えるという意味です。
📝 試験でのポイント
- 「多次元の情報を意味を保ったまま少ない次元に落とし込むこと」という定義文から用語を選ばせる、素直な出題がまず想定されます。
- 次元削減の目的として「効率の向上」と「可視化」の2つを挙げられるかが問われます。
- PCA・t-SNEがどちらも次元削減の手法であること、およびアプローチの違い（分散最大の方向／確率分布で近さを再現）の対応付け問題に備えましょう。
- 教師あり・教師なしの分類問題では、次元削減はクラスタリングとともに教師なし学習に区分される点を押さえてください。
📚 まとめ
次元削減は、多次元の情報を意味を保ったまま少ない次元に落とし込む教師なし学習の技術です。目的は、機械学習・分析の効率化と、2〜3次元へのプロットによる可視化の2つに整理できます。代表手法には、分散が最大となる方向を軸に選ぶPCAと、データの近さを確率分布で表して低次元に再現するt-SNEがあります。クラスタリングとの目的の違い、そして2大手法のアプローチの対比を軸に理解しておきましょう。
