生成AIパスポート 用語解説
次元削減とは
データが持つ特徴（次元）の数をまとめて圧縮する、教師なし学習の代表的な手法の一つ。
まず押さえる結論
次元削減は、生成AIパスポートの「第1章 AI（人工知能）」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-06-27。
公式シラバス（PDF）（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×教師あり学習・教師なし学習・強化学習の取り違え。クラスタリングや次元削減は「教師なし」、分類や回帰は「教師あり」、報酬を手がかりに学ぶのが「強化学習」。
×弱いAI（ANI）と強いAI（AGI）の混同。特定の課題に特化するのが弱いAI、人間のように幅広い課題へ汎用的に対応できるとされるのが強いAI。
×AIブームと中心技術の対応ずれ。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニングとビッグデータ。
関連する確認問題
第1章 AI（人工知能） / AIに知能をもたらす仕組み
機械学習の学習方式・手法に関する次の説明のうち、誤っているものはどれか。
正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
顧客データの多数の変数を、情報をなるべく保ちながら少数の変数へまとめたい。この手法を判断する説明はどれか。
この事例では「高次元データを低次元の表現へ変換するか」を確認すると、次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法であるに絞れる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
画像の画素数が多すぎるため、主要な情報を保った少数の軸へ圧縮する。該当する手法の説明はどれか。
この事例では「変数の数を減らしてデータを表現するか」を確認すると、次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法であるに絞れる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。
同じ章で確認したい用語
到達チェック
- 次元削減を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、次元削減に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）