問題 No.859
多くの特徴量を持つ高次元のデータに対して、主成分分析を適用して次元削減を行う目的や判断として不適切なものはどれか。
【正解の解説】
あらかじめ設定した正解ラベルを最もきれいに分類できるように、クラス間の境界線を最大化する軸を導出する
クラス間の境界を最大化する手法は「線形判別分析(LDA)」などであり、主成分分析は正解ラベルを使わない教師なし学習であるため、ラベルに基づく分類の最適化を目的とはしません。
スポンサーリンク
【その他の選択肢の解説】
データの持つ情報の損失をできるだけ抑えながら、少数の互いに無相関な指標にまとめるために用いる
主成分分析(PCA)は、多くの変数があるデータを、元の情報量をできるだけ維持したまま、互いに影響し合わない少数の新しい指標（主成分）に要約する手法です。
データの散らばり、すなわち分散が最大となる方向を見つけ出し、それを新しい軸として設定する
主成分分析は、データの散らばり具合（分散）が最も大きくなる方向に新しい軸をとることで、データの全体像を把握しやすくします。
変数の数が多すぎてモデルが過学習を起こすリスクを回避したり、データを可視化したりする際に有効である
変数が多すぎると過学習しやすく、視覚化も困難です。主成分分析で次元削減を行うことで、複雑なモデルの学習を安定させたり、グラフで可視化して特徴を理解しやすくしたりします。