次元削減（Dimensionality Reduction）とは、データの本質的な情報を保持しながら、特徴量の数（次元数）を減らす手法の総称です。データの可視化、計算効率の向上、過学習の防止に有効です。
線形手法と非線形手法
線形手法の代表は主成分分析（PCA）で、データの分散を最大化する方向に射影します。非線形手法にはt-SNE、UMAP、オートエンコーダーなどがあり、複雑なデータ構造を捉えることができます。
| ひとことで言うと | たくさんの列を、情報をなるべく保ったまま少ない列にまとめる手法。 |
|---|---|
| どこで使う | データの可視化、計算の高速化、ノイズ除去、次元の呪いへの対策。 |
| 注意点 | 圧縮後の軸は元の項目と一対一で対応しないため、解釈が難しくなる。 |
次元の呪い
高次元データでは、データ間の距離が均一化する「次元の呪い」が発生し、k-NNなどの距離ベースの手法の性能が大幅に低下します。次元削減はこの問題を根本的に解決するアプローチです。
1高次元データ100列のアンケート
▶
2情報の重なりを探す似た動きをする列
▶
3まとめて新しい軸に2〜10列に圧縮
▶
4可視化・学習散布図で見える形に