主成分分析（PCA）の説明として、最も適切なものを選べ。
- 1データの分散が最大となる方向を第1主成分とし、それと直交する方向のうち次に分散が大きい方向を第2主成分とするように、相関のある多数の変数を少数の変数に要約する
- 2正解ラベルを用いて、異なるクラスのデータが最もよく分離される方向を求める教師あり学習の手法である
- 3高次元空間でのデータ間の近さの関係を、確率分布を用いて低次元に非線形に埋め込む可視化手法である
- 4特徴量の数を増やすことで、線形分離できないデータを分離可能にする手法である
正解と解説を見る
正解：1
PCAは教師なし学習の次元削減手法です。分散が最大となる方向から順に、互いに直交する主成分を求め、情報をなるべく失わずに次元を減らします。正解ラベルを使ってクラスの分離を最大化するのは線形判別分析（LDA）、確率分布で近さを保ちながら非線形に埋め込むのはt-SNEです。特徴量を増やす処理は次元削減とは逆方向です。PCAのキーワードは「分散最大」「直交」「教師なしの次元削減」です。
根拠：教師なし学習（主成分分析による次元削減）