5.3.3 次元削減

この節の概要

次元削減は、多数の特徴量をより少ない特徴量へ圧縮する方法です。可視化、高速化、ノイズ低減、モデリングに役立ちますが、目的ごとに確認すべきことが違います。

作るもの

この節では、手書き数字データセットを使って次を確認します。

• PCA が高次元画像を 2 次元へ写す方法；
• 10、20、40 個の成分を残したとき説明分散がどう変わるか；
• PCA が分類 accuracy にどう影響するか；
• 成分を増やすと再構成誤差がどう下がるか；
• PCA、t-SNE、UMAP をどう使い分けるか。

まず図を見てください。次元削減は、1 つの道具が 1 つの目的だけを持つものではありません。

用語早見表

用語	実用上の意味
dimension	1 つの特徴量列。たとえば 1 ピクセルや 1 つの数値項目
PCA	Principal Component Analysis。できるだけ多くの分散を残す方向を探す
component	PCA が作る新しい圧縮特徴量
explained_variance_ratio_	各成分がどれだけ分散を保持しているか
reconstruction	圧縮成分から元データを近似的に復元すること
t-SNE	局所的な近傍構造を可視化する方法
UMAP	embedding の可視化や近傍探索によく使われる方法

セットアップ

python -m pip install -U scikit-learn numpy

実行するラボでは sklearn と NumPy だけを使います。UMAP は実務では便利ですが追加パッケージが必要なので、この初心者向けラボでは依存を小さく保ちます。

完全な実験を実行する

pca_lab.py を作成します。

import numpy as np
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler


X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42, stratify=y
)

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

print("pca_2d_map")
pca2 = PCA(n_components=2, random_state=42)
X_train_2d = pca2.fit_transform(X_train_scaled)
print("shape=", X_train_2d.shape)
print("explained_variance=", np.round(pca2.explained_variance_ratio_, 3).tolist())
print("total_2d_variance=", round(float(pca2.explained_variance_ratio_.sum()), 3))

print("pca_modeling_lab")
for n in [10, 20, 40]:
    model = Pipeline([
        ("scale", StandardScaler()),
        ("pca", PCA(n_components=n, random_state=42)),
        ("clf", LogisticRegression(max_iter=5000, random_state=42)),
    ])
    model.fit(X_train, y_train)
    pred = model.predict(X_test)
    pca = model.named_steps["pca"]
    print(
        f"components={n:<2} "
        f"variance={pca.explained_variance_ratio_.sum():.3f} "
        f"accuracy={accuracy_score(y_test, pred):.3f}"
    )

print("reconstruction_lab")
for n in [10, 20, 40]:
    pca = PCA(n_components=n, random_state=42)
    compressed = pca.fit_transform(X_train_scaled)
    restored = pca.inverse_transform(compressed)
    mse = mean_squared_error(X_train_scaled, restored)
    print(f"components={n:<2} reconstruction_mse={mse:.3f}")

実行します。

python pca_lab.py

期待される出力：

pca_2d_map
shape= (1347, 2)
explained_variance= [0.119, 0.097]
total_2d_variance= 0.216
pca_modeling_lab
components=10 variance=0.591 accuracy=0.858
components=20 variance=0.791 accuracy=0.942
components=40 variance=0.953 accuracy=0.960
reconstruction_lab
components=10 reconstruction_mse=0.390
components=20 reconstruction_mse=0.199
components=40 reconstruction_mse=0.045

2 次元結果を読む

digits データセットには 64 個のピクセル特徴量があります。n_components=2 の PCA は、各画像を 2 つの数値へ圧縮します。

shape= (1347, 2)
total_2d_variance= 0.216

2 成分は可視化には便利ですが、分散の約 21.6% しか保持しません。ざっくり地図を見るには十分でも、本格的な分類器には少なすぎることがあります。

説明分散

説明分散は、どれだけ情報を残すかを判断する助けになります。

components=10 variance=0.591 accuracy=0.858
components=20 variance=0.791 accuracy=0.942
components=40 variance=0.953 accuracy=0.960

大事なのは「常に 95% 残す」ことではありません。実用的には次のように考えます。

• 可視化が目的なら、2 または 3 成分で十分なことがある；
• モデリングが目的なら、accuracy やプロジェクトで使う指標を比較する；
• 圧縮が目的なら、再構成誤差と保存コストを比較する。

再構成誤差

再構成は、圧縮後にどれだけ元データを復元できるかを見ます。

components=10 reconstruction_mse=0.390
components=40 reconstruction_mse=0.045

成分が多いほど復元は良くなりますが、次元も多く残ります。適切な数は、コンパクトさと有用な情報量のトレードオフです。

モデルパイプライン内の PCA

モデリング部分では次を使っています。

Pipeline([
    ("scale", StandardScaler()),
    ("pca", PCA(n_components=n, random_state=42)),
    ("clf", LogisticRegression(max_iter=5000, random_state=42)),
])

この順序が重要です。

1. まず train/test に分ける。
2. スケーリングは訓練データだけで fit する。
3. PCA も訓練データだけで fit する。
4. 圧縮された訓練特徴量でモデルを学習する。
5. 変換されたテスト特徴量で評価する。

スケーリングと PCA を pipeline に入れると、交差検証時のデータ漏れを防ぎやすくなります。

PCA、t-SNE、UMAP

方法	向いている用途	重要な注意点
PCA	圧縮、前処理、高速な 2D 概観	線形手法なので曲がった構造を見落とすことがある
t-SNE	局所近傍の可視化	離れたクラスタ同士の距離は誤解しやすい
UMAP	embedding 可視化と近傍探索	追加パッケージが必要。パラメータと安定性を確認する

初心者にとって安全な順序：

1. まず PCA。速くて解釈しやすい。
2. t-SNE や UMAP は可視化に使い、最初から本番特徴量パイプラインにしない。
3. 次元削減でモデル結果が変わるなら、交差検証で確認する。

残す証拠

このページを終えたら、この evidence card を残します。

タスク

clustering、dimensionality reduction、または anomaly detection の目標

データ表示

スケーリング済み特徴量、射影、クラスタ、または異常スコア

解釈

このシナリオでグループ、軸、またはアラートが何を意味するか

失敗確認

任意のクラスタ数、スケーリングの問題、ノイズの多い次元、または誤検知

期待される成果

解釈と不確実性メモを含む教師なし結果

よくあるトラブル

症状	よくある原因	修正
PCA 結果が 1 つの特徴量に支配される	特徴量をスケーリングしていない	PCA 前に StandardScaler を使う
2D 図はきれいだがモデルが弱い	2D では分散を残しきれていない	モデリングではより多くの成分を使う
PCA 後に accuracy が大きく下がる	有用な特徴を捨てすぎた	n_components を増やし、PCA なしの基線と比べる
交差検証スコアが不自然に良い	分割前に PCA を fit した	PCA を Pipeline に入れる
t-SNE/UMAP 図を読みすぎる	可視化レイアウトは証明ではない	安定性と下流での有用性を確認する

練習

1. PCA 成分を [5, 15, 30, 50] に変えてください。accuracy はどこから伸びにくくなりますか？
2. PCA なしで分類器を学習してください。PCA が助けているのは速度、精度、圧縮のどれですか？
3. StandardScaler を外してください。説明分散はどう変わりますか？
4. PCA(n_components=0.95) を使い、自動で選ばれた成分数を表示してください。
5. 2D PCA の出力を使って、数字ラベルで色分けした散布図を描いてください。

操作例と確認ポイント

1. accuracy は最初に伸び、その後は頭打ちになることが多いです。実用上は、最高値に近いスコアを出す最小の成分数を選びます。
2. PCA は accuracy が同じでも速度や保存容量に効くことがあります。accuracy が下がるなら有用な信号を捨てていますし、少し上がるならノイズを減らしている可能性があります。
3. スケーリングしないと、数値範囲の大きい特徴量が主成分を支配します。説明分散が高く見えても、意味のある構造とは限りません。
4. PCA(n_components=0.95) は約 95% の分散を保つ最小成分数を選びます。成分数だけでなく、下流モデルのスコアが許容範囲かも報告します。
5. 2D PCA 図は診断であり、モデル品質の証明ではありません。色が大きく重なるなら、分類にはより多い次元や非線形表現が必要かもしれません。

合格チェック

次を説明できれば、この節はクリアです。

• PCA は components と呼ばれる新しい圧縮特徴量を作る；
• 2D PCA は可視化に便利だが、モデリング情報を捨てすぎることがある；
• 説明分散は目安であり、自動的な目標ではない；
• PCA は訓練 pipeline の中で fit する必要がある；
• t-SNE と UMAP は主に可視化用で、厳密に検証しない限り安易に本番特徴量にしない。