実践 機械学習システム

232

11

章 次元削減

図11-13

もちろん、MDSと使うときは、各特徴の単位を理解する必要があります。もしかすると、ユーク

リッド距離を使って比較することができない特徴を使っているかもしれません。たとえば、カテゴリに

関する変数の場合、たとえエンコードされてあったとしても（0＝赤い丸、1＝青い星、2＝緑の三角な

ど）、ユークリッド距離を用いて比較することはできません（「赤が緑より青に近い」では意味不明で

しょう）。

しかし、そのような問題についてさえ気をつければ、MDSは役に立つツールであり、データの類似

性を明らかにしてくれます（元の特徴空間では、そのような類似性は認識できないでしょう）。

MDSについて少し調べると、それは一つのアルゴリズムではなく、複数の異なるアルゴリズムの総

称であることがわかると思います。これまで私たちは、その中の一つを用いてきました。これはPCA

についても同じことです。対象とする問題がPCA でもMDSでも歯が

たたない場合、scikit-learnツー

ルキットに用意されてある他の多様体学習アルゴリズムを調べてみると良いでしょう。

11.6

　まとめ

本章で学んだことは、特徴選択を用いることで、特徴量の一部を削除できる場合がある、というこ

とでした。また、ある場合においてはそれだけでは十分ではなく、特徴抽出手法を用いて、より小さい

次元数の構造にデータを変換する必要がありました。そうすることで、それ以降の道のりが楽なものに

なります。

私たちがやったことは、次元削減手法について、 ...