次元の呪いとは
次元の呪いとは、特徴量（次元）が増えるほど、学習に必要なデータ量が指数的に増加する現象です。その結果として学習が困難になり、汎化性能が低下しやすくなる点が機械学習の重要な課題とされます。
この用語はG検定シラバスの「5. 機械学習」に含まれます。 章全体の用語は用語解説①（全54語）にまとまっています。
一言でいうと
特徴量を増やすほど、必要なデータが爆発的に増えて学習がうまくいかなくなる現象です。
なぜデータが足りなくなるのか
直感的には、1次元の直線を10区間に分けるにはデータが10個あれば足ります。しかし2次元なら100個、3次元なら1,000個——と、次元が1つ増えるごとに必要な数が掛け算で増えていきます。
つまり高次元の空間では、データがスカスカに散らばった状態になります。データが密に存在しないため、モデルは信頼できる規則性を見つけられません。
汎化性能への影響
データがスカスカな状態で無理に学習すると、モデルは手元のデータだけに当てはまる規則を覚えてしまいます（過学習）。その結果、未知のデータに対する性能（汎化性能）が下がります。
対策としては、本当に必要な特徴量に絞り込む次元削減や特徴量選択が用いられます。
どう対処するか
- 特徴量選択：予測に効く特徴量だけを残す
- 次元削減：情報をできるだけ保ちながら次元を圧縮する（主成分分析など）
- 正則化：モデルが複雑になりすぎないよう制約をかける
なおディープラーニングは大量のデータと表現力によってこの問題に対処しており、次元の呪いが消えたわけではない点に注意してください。
🎯 G検定での押さえどころ
- 次元が増えると必要なデータ量が指数的に増加する
- 汎化性能の低下（過学習）につながる
- 対策として次元削減・特徴量選択が用いられる
⚠️ よくある誤りの選択肢
- 「次元の呪いとは、次元を増やすと計算時間だけが増える現象である」→ 誤り。必要なデータ量と汎化性能の問題です
- 「ディープラーニングによって次元の呪いは完全に解消された」→ 誤り。解消されたわけではありません
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「教師なし学習① 次元圧縮」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。