「AP過去問 令和5年度秋期 午前 問2」の版間の差分
(ページの作成:「AP過去問 令和6年度春期 午前 問題に戻る AP過去問 令和6年度春期 午前 問1前の問題へ AP過去問 令和6年度春期 午前 問3次の問題へ =='''問2(問題文)'''== 複数の変数をもつデータに対する分析手法の記述のうち、主成分分析はどれか。 ア 変数に共通して影響を与える新たな変数を計算して、データの…」) |
編集の要約なし |
||
(同じ利用者による、間の1版が非表示) | |||
1行目: | 1行目: | ||
[[AP過去問 | [[AP過去問 令和5年度秋期 午前#問題|AP過去問 令和5年度秋期 午前 問題]]に戻る | ||
[[AP過去問 | [[AP過去問 令和5年度秋期 午前 問1]]前の問題へ | ||
[[AP過去問 | [[AP過去問 令和5年度秋期 午前 問3]]次の問題へ | ||
22行目: | 22行目: | ||
=='''回答・解説'''== | =='''回答・解説'''== | ||
主成分分析(PCA: Principal Component Analysis)は、多次元のデータをより少ない次元に圧縮するための手法です。 | |||
具体的には、もとの変数の線形結合により、新たな変数(主成分)を作成し、それによって情報をできるだけ保ちながら次元を削減します。 | |||
アは❌間違いです。因子分析の説明です。共通因子という背後にある潜在的な変数を推定するのが特徴です。 | |||
イは❌間違いです。重回帰分析など、予測モデルに関する説明です。 | |||
ウは❌間違いです。クラスタ分析の説明です。データのグルーピングや分類が目的です。 | |||
エは✅正しいです。主成分分析の説明です。次元削減のために、新たな変数を導出するのがポイントです。 | |||
したがって | |||
<span style = "background:linear-gradient(transparent 75%, #7fbfff 75%); font-weight:bold; "> | |||
エ</span> | |||
が答えです。 | |||
[[AP過去問 | [[AP過去問 令和5年度秋期 午前 問1]]前の問題へ | ||
[[AP過去問 | [[AP過去問 令和5年度秋期 午前 問3]]次の問題へ | ||
[[AP過去問 | [[AP過去問 令和5年度秋期 午前#問題|AP過去問 令和5年度秋期 午前 問題]]に戻る |
2025年4月16日 (水) 17:06時点における最新版
AP過去問 令和5年度秋期 午前 問1前の問題へ
AP過去問 令和5年度秋期 午前 問3次の問題へ
問2(問題文)
複数の変数をもつデータに対する分析手法の記述のうち、主成分分析はどれか。
ア 変数に共通して影響を与える新たな変数を計算して、データの背後にある構造を取得する方法
イ 変数の値からほかの変数の値を予測して、データがもつ変数間の関連性を確認する方法
ウ 変数の値が互いに類似するものを集めることによって、データを分類する方法
エ 変数を統合した新たな変数を使用して、データがもつ変数の数を減らす方法
回答・解説
主成分分析(PCA: Principal Component Analysis)は、多次元のデータをより少ない次元に圧縮するための手法です。 具体的には、もとの変数の線形結合により、新たな変数(主成分)を作成し、それによって情報をできるだけ保ちながら次元を削減します。
アは❌間違いです。因子分析の説明です。共通因子という背後にある潜在的な変数を推定するのが特徴です。
イは❌間違いです。重回帰分析など、予測モデルに関する説明です。
ウは❌間違いです。クラスタ分析の説明です。データのグルーピングや分類が目的です。
エは✅正しいです。主成分分析の説明です。次元削減のために、新たな変数を導出するのがポイントです。
したがって
エ
が答えです。
AP過去問 令和5年度秋期 午前 問1前の問題へ
AP過去問 令和5年度秋期 午前 問3次の問題へ