Pythonで学ぶデータ圧縮の魔法：主成分分析 (PCA) の基礎から実践まで

【Hiroki】 Yukiさん、こんにちは。最近、機械学習の勉強を始めているんですけど、データの種類……「次元」っていうんでしたっけ？ それが多すぎると、どう扱っていいかわからなくなっちゃうんです。調べたら「主成分分析（PCA）」がいいって聞いたんですけど、これって具体的に何をどうするものなんですか？

【Yuki】 Hirokiくん、こんにちは。ふふ、データの次元が増えると、人間には直感的に理解しづらくなってしまいますよね。主成分分析……PCA（Principal Component Analysis）は、そんな複雑に絡み合ったデータを整理して、大切な「本質」だけを取り出すための魔法のような手法なんです。

わたしも、複雑なものをシンプルにまとめる作業は好きですよ。今日は、Pythonを使ってどうやってPCAを行うのか、ゆっくりとお話ししていければいいなと思います……。

PCAとは何か？：情報の「重なり」を整理する

【Hiroki】 「情報の重なりを整理する」っていうのは、どういうイメージなんでしょう？

【Yuki】 そうですね……。たとえば、Hirokiくんの身長と体重、そして座高のデータがあるとします。これらって、お互いに関係がありそう（相関がある）だと思いませんか？

【Hiroki】 あ、確かに。身長が高い人は、体重も重かったり、座高も高かったりする傾向がありそうですね。

【Yuki】 その通りです。これらはバラバラのデータのように見えて、実は「体の大きさ」という一つの大きな共通した情報を、別々の角度から見ているだけかもしれません。

PCAは、こうした相関のあるたくさんの変数から、お互いに無関係な新しい変数（主成分）を作り出す手法なんです。一番大事な情報を「第1主成分」、その次に大事な情報を「第2主成分」……というふうに、情報の重要度順に並べ替えてくれるんですよ。

PCAの仕組み：一番「変化」が激しい方向を見つける

【Hiroki】 具体的に、どうやってその「大事な情報」を見つけているんですか？

【Yuki】 一言で言うと、「データが一番広く散らばっている方向」を探しているんです。データが一番広がっている方向こそが、そのデータの特徴を一番よく表していると考えられるからですね。

たとえば、目の前に複雑な形をしたオブジェがあると想像してみてください。そのオブジェの「影」を壁に映すとき、一番その形の特徴が伝わる角度ってありますよね。影という2次元の情報に落とし込んでも、元の3次元の姿が想像できるような……。

わたしは、そんなふうに情報のシルエットを綺麗に整えて、本質を際立たせるPCAのプロセスに、少しだけ美しさを感じてしまいます。

Pythonでの実践：Scikit-learnを使った実装

【Hiroki】 シルエット……なるほど。実際にPythonでやってみたいです！ どんなライブラリを使えばいいんでしょうか？

【Yuki】 Pythonなら、scikit-learnというライブラリを使うのが一般的だと思います。今回は、有名な「アヤメ（Iris）」のデータセットを使って、4次元のデータを2次元に圧縮してみましょう。まずは必要なものをインポートしますね。

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# データの読み込み
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
print("元のデータの次元:", df.shape)

【Hiroki】 まずは普通にデータを読み込むんですね。このiris.dataには「がくの長さ」とか「花弁の幅」とか、4つの特徴量が入っているから4次元なんですね。

データの前処理：標準化の重要性

【Yuki】 はい。でも、PCAをする前に、とっても大切な工程があるんです。それが「標準化」です。

【Hiroki】 ヒョウジュンカ……？

【Yuki】 データの単位を揃える作業のことですね。たとえば、あるデータが「メートル」で、もう一方が「ミリメートル」だと、数字の大きさが全然違ってしまいます。PCAは「データの散らばり（分散）」を重視するので、単位が違うと、数字が大きい方の変数が不当に「重要」だと判断されてしまうかもしれないんです。

【Hiroki】 それは困りますね。公平に判断してもらうために、スケールを合わせる必要があるんだ。

【Yuki】 その通りです。StandardScalerを使うと、平均を0、分散を1に変換してくれますよ。

# データの標準化
scaler = StandardScaler()
df_scaled = scaler.fit_transform(df)

PCAの実行と結果の確認

【Yuki】 準備ができたら、いよいよPCAを実行してみましょう。4次元から2次元に圧縮してみますね。

# PCAのインスタンスを作成（2次元に圧縮）
pca = PCA(n_components=2)

# 学習と適用
pca_features = pca.fit_transform(df_scaled)

# 結果をデータフレームにする
df_pca = pd.DataFrame(
    pca_features,
    columns=["第1主成分", "第2主成分"]
)

print("圧縮後のデータの次元:", df_pca.shape)

【Hiroki】 わ、本当に2列（2次元）になりましたね！

可視化による理解：3次元から2次元へ

【Yuki】 さて、ここからが楽しいところです。もともと4次元だったデータはグラフに描けませんでしたが、2次元になったので平面にプロットできます。

plt.figure(figsize=(8, 6))
colors = ["red", "blue", "green"]

for i, label in enumerate(iris.target_names):
    condition = (iris.target == i)
    plt.scatter(
        df_pca.loc[condition, "第1主成分"],
        df_pca.loc[condition, "第2主成分"],
        label=label,
        color=colors[i],
        alpha=0.7
    )

plt.xlabel("First Principal Component")
plt.ylabel("Second Principal Component")
plt.legend()
plt.title("PCA of Iris Dataset")
plt.show()

【Hiroki】 すごい！ 3種類のアヤメが、綺麗に分かれてプロットされていますね。

【Yuki】 そうなんです。4つの情報を2つにギュッと凝縮しても、これだけ種類ごとの特徴を維持できているということなんです。情報を削ぎ落としてシンプルにしたのに、本質は失われていない……なんだか、不思議な感覚になりませんか？

寄与率を確認する：どれだけ情報を残せたか

【Hiroki】 でも、4つを2つに減らしたってことは、少しは情報が消えちゃってるんですよね？

【Yuki】 ええ、その通りです。どのくらいの割合の情報を保持できているかを「寄与率（explained variance ratio）」と呼びます。これを確認することで、そのPCAがどれだけ上手くいったかを知ることができますよ。

# 寄与率の確認
evr = pca.explained_variance_ratio_
print(f"第1主成分の寄与率: {evr[0]:.3f}")
print(f"第2主成分の寄与率: {evr[1]:.3f}")
print(f"累計寄与率: {sum(evr):.3f}")

【Hiroki】 累計寄与率が0.95とかだったら、元の情報の95%をたった2つの主成分で説明できている、っていう意味になるんですね。

【Yuki】 物知りですね、Hirokiくん。その通りです。多くの場合、累計寄与率が80%〜90%を超えていれば、十分にデータの性質を表せていると判断されることが多いと思います。

PCAを使う際の注意点：意味の解釈が難しくなる？

【Hiroki】 これだけ便利なら、どんな時でもPCAを使えばいい気がしますけど、何か弱点はあるんですか？

【Yuki】 そうですね……。一番のデメリットは、「新しく作られた変数（主成分）が、具体的に何を意味しているのか分からなくなる」ことかもしれません。

【Hiroki】 あ、そっか。「第1主成分」と言われても、それが「がくの長さ」なのか「花弁の幅」なのか、はっきり言えないんですね。

【Yuki】 はい。複数の変数を混ぜ合わせて作っているので、「なんとなくサイズ感を表している成分かな？」といった推測はできても、厳密な意味付けは難しいんです。

なので、単に予測精度を上げたい時や、データを可視化したい時には向いていますが、どの変数が結果にどう影響しているかを詳しく分析したい時には、少し注意が必要かもしれませんね。

【Hiroki】 なるほど。使い所を見極めるのが大事なんですね。

【Yuki】 ええ。複雑なものをシンプルにするのは、とても勇気がいることだと思います。でも、情報のノイズをそぎ落とすことで、夜の静寂の中で星を見つけるように、データの中に隠れた真実が見えてくることもある……わたしはそう信じています。

PCAについて、少しはイメージが湧きましたか？

【Hiroki】 はい！ 思っていたよりずっと身近な技術に感じられました。Pythonのコードもシンプルですし、自分のデータでも試してみます。Yukiさん、ありがとうございました！

【Yuki】 どういたしまして。Hirokiくんの学習が、少しでも楽しいものになると嬉しいです。また分からないことがあったら、いつでも聞いてくださいね。……ふふ、応援しています。

---

参考文献・関連リンク - Scikit-learn PCA Documentation - Scikit-learn StandardScaler Documentation - Pythonデータサイエンスハンドブック (O'Reilly Japan)