G検定（JDLA） 練習問題 53：機械学習アルゴリズム：次元削減
機械学習における次元削減手法である「t-SNE」に関する説明として、正しいものはどれか。
- 線形変換を用いてデータの分散が最大になる軸を見つける手法であり、大域的な構造の維持に優れている。
- 高次元データの局所的な構造を保持しながら低次元に圧縮する手法であり、主にデータの可視化に用いられる。
- カテゴリ変数間の関連性を分析するための多変量解析手法であり、主にマーケティングデータの分析に用いられる。
- データの分布を正規分布に近づけるように変換する前処理手法であり、主に外れ値の影響を軽減するために用いられる。
- 複数の決定木を構築して予測結果を多数決で決めるアンサンブル学習手法であり、過学習を防ぐ効果がある。
正解と解説を見る
正解：高次元データの局所的な構造を保持しながら低次元に圧縮する手法であり、主にデータの可視化に用いられる。
t-SNEは、高次元データの局所的な構造を保持しながら低次元に圧縮する手法であり、主にデータの可視化に用いられるという説明が正解です。
【正解の理由】
t-SNE（t-distributed Stochastic Neighbor Embedding）は、次元削減アルゴリズムの一つです。高次元空間で近い距離にあるデータポイントが、低次元空間（主に2次元や3次元）でも近くなるように配置を計算するため、データのクラスタリング状態の可視化に非常に適しています。
【不正解の理由】
• 「線形変換を用いてデータの分散が最大になる軸を見つける手法であり、大域的な構造の維持に優れている」という説明は、主成分分析（PCA）に関するものです。
• 「カテゴリ変数間の関連性を分析するための多変量解析手法であり、主にマーケティングデータの分析に用いられる」という説明は、コレスポンデンス分析などに関するものです。
• 「データの分布を正規分布に近づけるように変換する前処理手法であり、主に外れ値の影響を軽減するために用いられる」という説明は、Box-Cox変換などの変数変換に関するものです。
• 「複数の決定木を構築して予測結果を多数決で決めるアンサンブル学習手法であり、過学習を防ぐ効果がある」という説明は、ランダムフォレストに関するものです。