🔖 キーワード索引

本ページは t-SNE（t-Distributed Stochastic Neighbor Embedding）を多角的に解説します。 上のチップは、 検索・関連語の手がかりです。

🎨 直感で掴む — 具体例で理解する

t-SNE の発想：

1. 高次元空間で「点 $i$ が点 $j$ の近傍である確率」$p_{ij}$ を計算
2. 低次元空間で同様に $q_{ij}$ を計算
3. 2 つの確率分布の KL ダイバージェンスを最小化するように低次元の点を配置

結果として：近い点は近く、 遠い点は遠く配置される。 ただし「2 つのクラスタの間の距離」は 意味なし（perplexity 等で歪む）。

用途：単語ベクトル（Word2Vec）の可視化、 細胞種の発見、 画像特徴量のクラスタ確認、 異常検知の探索。 ML パイプラインの 探索ツールとして強力。

🎨 もう一歩深く — t-SNE が解こうとしている問題

t-SNE が登場する以前、 高次元データの可視化は PCA（主成分分析）が標準でした。 しかし PCA は線形な手法で、 「曲がった多様体」（例: スイスロール状の構造）を平面に展開できません。 一方 t-SNE は 確率分布の保存という発想で、 非線形な近傍関係を 2D に押し込みます。

具体的に考えるべき問題：たとえば SSDSE-B-2026 の 47 都道府県データには、 人口・出生率・死亡数・年平均気温・保育所数など 100 以上の指標があります。 これを 2D に落とすとき、 単純な PCA では「人口が大きい東京・大阪・神奈川」が一方に偏り、 細かい地域差は潰れます。 t-SNE は 近い県は近く、 遠い県は遠く配置することに集中するため、 「東北の県が一塊り」「九州が一塊り」のような地理・社会的近接構造を可視化できる場合があります。

ただし t-SNE は 大域構造を保証しません。 「東北クラスタと九州クラスタの距離」は perplexity の値次第で大きく変動します。 これが後述の落とし穴の核心です。

対比表：PCA / t-SNE / UMAP

🎨 可視化テクニック — 美しい t-SNE 図を作る

• ラベル付与：matplotlib の annotate で各点に名前を付ける（点数が少ない場合）
• カテゴリ別色分け：地方・属性・クラス等で色を変える（凡例必須）
• サイズによる第 3 軸表現：人口など連続値を点の大きさに反映
• 透明度（alpha）：点が密集する箇所の重なりを可視化（alpha=0.5-0.7）
• 背景色：白 vs グレーで対比、 PDF 印刷時の見え方確認
• 軸ラベル：「t-SNE 1」「t-SNE 2」（意味のない座標であることを示唆）
• 凡例：色分けカテゴリは必ず凡例で説明
• perplexity を本文かタイトルに記載：再現性の担保
• 解像度：dpi=120-150（Web）、 200-300（論文印刷）
• フォーマット：論文には PDF（vector）、 Web/Slack には PNG
• インタラクティブ可視化：plotly / bokeh で hover ツールチップ
• 密度等高線：seaborn の kdeplot で密度を重ねる

⏱ パフォーマンスベンチマーク（参考）

数値は CPU 1 コアでの目安。 GPU（cuML 等）を使えば 10-100 倍速。 「100 万点の可視化」は 2026 年現在 UMAP / cuML の独擅場です。

📊 SSDSE-B-2026 詳細 — 教材として使いやすい列

SSDSE-B-2026 は 「社会・人口統計体系」の都道府県データ（独立行政法人 統計センター提供）で、 t-SNE の教材として理想的です。 47 都道府県 × 100 以上の指標。

人口統計セクション（A 列）

📝 より正確な分析: SSDSE-B-2026 の実ヘッダでは A4200 は「死亡数」（2023 年: 8,290〜137,241 人）であり、 合計特殊出生率は A4103（2023 年: 0.99〜1.60）です。 列コードは必ず CSV の 2 行目（日本語ヘッダ）で意味を確認してから使いましょう。

気候・地理セクション（B 列）

雇用・保育セクション（F・J 列）

医療・教育セクション（I・E 列）

これらの列を組み合わせて t-SNE することで、 「人口だけでなく気候・経済・医療・教育で見た都道府県の類型化」が可能。 教材として様々な切り口の演習が組めます。

📈 PCA / t-SNE / UMAP / PHATE 詳細比較

使い分けの目安：

• 軸の意味を知りたい → PCA
• クラスタを綺麗に分けて可視化 → t-SNE
• 速度・大域構造・新規投影が欲しい → UMAP
• 連続的な分化軌跡を見たい（細胞分化等） → PHATE

🎭 拡張例 — t-SNE と他手法を組み合わせる

パターン 1: PCA + t-SNE（高次元データ）

2000 次元以上のデータ（scRNA-seq、 画像 CNN 特徴量）では、 まず PCA で 50 次元に圧縮、 その後 t-SNE で 2 次元へ。 これによりノイズ除去と計算速度の両立が可能。 「PCA で 50 → t-SNE で 2」が定番ワークフロー。

パターン 2: t-SNE + HDBSCAN（クラスタリング）

t-SNE で 2D 埋め込み → HDBSCAN（密度ベースクラスタリング）で自動的にクラスタ数を決定。 k-means と違い「クラスタ数を事前に指定不要」「形状自由」というメリット。

パターン 3: t-SNE + 線形回帰（軸への意味付け）

t-SNE 軸自体に意味はないが、 各点に 外部変数（例: SSDSE の「高齢化率」）を持たせ、 「軸方向にどの変数が変化するか」を回帰で調べる。 「右に行くほど高齢化が進む」のような 事後的な軸解釈が可能。

パターン 4: t-SNE + Plotly（インタラクティブ）

t-SNE 結果を plotly.express の散布図にすると、 マウスホバーで都道府県名・元の値が表示できます。 ダッシュボードや論文補助資料として有効。

📜 学術的文脈 — t-SNE 論文の位置づけ

2008 年の van der Maaten & Hinton 論文（JMLR）は、 2024 年時点で 引用数 4 万件超。 機械学習・バイオインフォマティクス分野のトップ引用論文の 1 つです。

特に scRNA-seq 分野では、 2014-2019 年の主要論文の 9 割が t-SNE 図を含む状況でした。 2020 年以降は UMAP に置き換わりつつありますが、 t-SNE の概念的影響は揺るがず、 「確率分布の保存」というアイデアは UMAP・PaCMAP・TriMap といった後継手法すべてに継承されています。

Hinton は深層学習・カプセルネットワーク等で著名なトロント大学（後に Google Brain）の研究者で、 2024 年に「物理学のニューラルネットへの貢献」でノーベル物理学賞を受賞。 t-SNE はその主要業績の 1 つです。

🎁 追加のヒント — 実務で役立つ小ネタ

• perplexity と n_neighbors の関係：UMAP の n_neighbors と t-SNE の perplexity は概念的に対応。 同じ値で比較すると公平。
• 「t-SNE の 3D」は使わない：3D 散布図は紙面で読みにくい。 2D に絞るのが定番。
• 「t-SNE の前処理に L2 正規化」：scRNA-seq では各細胞の合計を 1 に正規化してから t-SNE するワークフローが標準。
• 「同じデータで複数回 t-SNE」：random_state を変えて 5-10 回実行し、 「常に固まる点群」を信頼するアンサンブル的方法。
• 「t-SNE と classifier の精度比較」：t-SNE 後の分類精度が高ければ、 元データに意味のある構造があった証拠。
• 「t-SNE 図に軸目盛りはいらない」：軸の絶対値に意味がないため、 目盛り省略がスタイリッシュ。
• 「カラーバーは categorical で」：連続値ではなく離散カテゴリの色分けが基本。
• 「アニメーション GIF で perplexity を変える」：プレゼン用に効果的、 ハイパラ感度を直感的に伝えられる。
• 「同じデータの異なる時点を矢印で結ぶ」：時系列軌跡の可視化（trajectory analysis）。
• 「t-SNE 結果は再現性のために pickle 保存」：再計算は高コスト、 結果を保存しておくと便利。

📝 専門用語ミニ辞典 — t-SNE まわりの語彙

Manifold（多様体）

高次元空間に埋め込まれた、 局所的にユークリッド的な低次元構造。 t-SNE が想定するデータの形

Curse of Dimensionality（次元の呪い）

高次元では「中庸距離が大半を占める」現象。 t-SNE の混雑問題の原因

Embedding（埋め込み）

高次元データを低次元空間に対応付けたもの。 t-SNE の出力

KL Divergence

2 つの確率分布の差を測る非対称な指標。 t-SNE のコスト関数

Perplexity

「実効近傍数」を表すハイパラ。 エントロピーの指数

Early Exaggeration

初期段階で確率を α 倍する高速化トリック

Barnes-Hut

N 体問題用の高速アルゴリズム。 t-SNE を O(n log n) に

Crowding Problem（混雑問題）

高次元の中庸距離が低次元中央に潰れる問題。 t 分布で解決

Silhouette Score

クラスタの分離度合いを定量化する指標（-1〜1）

UMAP

Uniform Manifold Approximation and Projection。 t-SNE の後継として 2018 以降標準化

Z-score 標準化

平均 0、 分散 1 にする変換。 t-SNE の必須前処理

Local Structure

「近い点同士の関係」。 t-SNE が保存するもの

Global Structure

「遠い点同士の関係」「クラスタ間距離」。 t-SNE が保存しないもの

openTSNE

t-SNE の派生実装。 新規データ投影が可能

PHATE

拡散ベースの埋め込み。 連続的軌跡に強い

📖 さらに学ぶための読書ガイド

• 初学者: 本ページ → scikit-learn 公式 t-SNE チュートリアル → Distill.pub "How to Use t-SNE Effectively"
• 中級者: van der Maaten & Hinton 原論文 → UMAP 原論文 → Kobak & Berens (Nat Commun 2019)
• 上級者: Cao & Wang "Automatic Selection of t-SNE Perplexity" → Linderman et al. (Nat Methods 2019) "Fast interpolation-based t-SNE"
• 実務応用: scanpy（scRNA-seq）→ TensorFlow Embedding Projector → Hugging Face datasets visualization

🎓 確認問題セット — 自分の理解を試す

1. t-SNE は線形手法か非線形手法か。 なぜそう分類されるか説明せよ。
2. perplexity が「効果的近傍数」を意味する理由を、 エントロピーの式から説明せよ。
3. t-SNE のクラスタ間距離を信頼してはいけない数学的理由を述べよ。
4. 低次元側に Student-t 分布を使う理由（混雑問題との関係）を説明せよ。
5. KL ダイバージェンス $\mathrm{KL}(P\|Q)$ と $\mathrm{KL}(Q\|P)$ の違いと、 t-SNE がどちらを使うか述べよ。
6. SSDSE-B-2026 を t-SNE する前に、 なぜ標準化が必要か説明せよ。
7. perplexity=5 と perplexity=50 で結果がどう変わるか定性的に答えよ。
8. t-SNE と UMAP の最大の違いを 3 つ挙げよ。
9. t-SNE 後のクラスタリングに k-means と HDBSCAN のどちらが向くか、 理由とともに述べよ。
10. 論文で t-SNE 図を使うときに明記すべきパラメータを 3 つ挙げよ。

解答は本文中に散りばめられています。 全問正解できれば「t-SNE を実務で使える」レベルに到達した証です。

🎮 触って理解する

下のミニ t-SNE は、 8 次元空間に決定論的に生成した 3 クラスタ（各 16 点・計 48 点）を、 実際の t-SNE と同じ手順で 2D に埋め込みます。 「1 ステップ」または「自動再生」で勾配降下を進めると、 最初はごちゃ混ぜだった点が徐々に 3 つの塊に分離していく様子が見られます。 perplexity と 学習率を動かして、 見え方がどう変わるかを体感してください。 点をドラッグ（タッチ可）して引き剥がすと、 最適化がまた引き戻す「バネと反発」の力学も観察できます。

計算の正確さについて： この実装は本物の t-SNE と同じ骨格です。 (1) 高次元でガウス親和性 $p_{j|i}$ を perplexity から二分探索で決める、 (2) 対称化して $p_{ij}$ を得る、 (3) 低次元で自由度 1 の $t$ 分布 $q_{ij}\propto(1+\lVert y_i-y_j\rVert^2)^{-1}$ を使う、 (4) KL ダイバージェンスを勾配降下（モメンタム＋ゲイン適応＋序盤の early exaggeration）で最小化。 教材用に n=48・8 次元・O(n²) の素朴実装に簡略化しており、 Barnes-Hut 近似や PCA 初期化は省いています。 本質的な挙動（分離・perplexity 依存・確率性）はそのまま再現されます。

🔍 このデモで体感してほしいこと

• 直感： 各点には「近い相手に引かれるバネ（引力）」と「他の全点から押される反発（斥力）」が同時に働きます。 力がつり合うと配置が安定し、 似た点どうしが塊になります。 点をドラッグして放すと、 この力学が視覚的に分かります。
• 落とし穴・perplexity 依存： perplexity を 2〜3 まで下げると、 1 つの塊が細かく断片化して偽のサブクラスタが出ます。 逆に上げすぎると塊どうしが融合します。 「1 つの正解の図」は存在しません。
• 落とし穴・クラスタ間距離とサイズに意味なし： 収束後の A・B・C の間隔や各塊の大きさは、 元の 8 次元での距離・分散を反映しません。 t-SNE は局所構造だけを保存します。
• 落とし穴・確率的： 初期配置は乱数です（このデモは再現性のため固定シード）。 実務では random_state を変えるたびに見た目が変わります。
• 学習率の影響： 学習率を最大にすると点が飛び散ったり 1 点に潰れて KL がうまく下がりません。 「絵がおかしい＝パラメータが悪い」ことがある、 と体で覚えましょう。

🚀 発展：UMAP との違い

t-SNE の後継としてよく使われるのが UMAP です。 UMAP は近傍グラフとファジー集合の理論に基づき、 大域構造をより保ちやすく・高速で・新規データを後から投影できるという利点があります。 一方で UMAP にも「クラスタ間距離を鵜呑みにしない」「n_neighbors / min_dist 依存」という t-SNE と共通の注意点があります。 まずはこのデモで t-SNE の力学を掴み、 次に UMAP と比較すると理解が深まります。

関連ページ： PCA（線形次元削減・前処理） ／ UMAP（後継手法） ／ クラスタリング ／ 標準化（前処理の必須ステップ）

📐 定義・数式

📐 もう一歩深い数学 — 混雑問題と t 分布の役割

混雑問題（Crowding Problem）とは、 高次元空間の「中庸な距離」を低次元に押し込もうとすると、 「全てが中央に集まってつぶれてしまう」現象です。 たとえば 100 次元のガウス球面上では、 ほとんどの点ペアが「平均距離付近」に集中します（次元の呪い）。 これを 2 次元に投影すると、 中央が混雑して構造が見えなくなります。

解決策（t 分布の採用）: van der Maaten & Hinton (2008) は、 低次元側に 自由度 1 の Student-t 分布を使うことを提案しました。 ガウス分布よりも裾が重いため、 高次元で「中庸距離」だったペアを、 低次元で「遠く」配置するインセンティブが生まれます。

この「裾の重さ」が、 t-SNE のクラスタを はっきり分離して見せる魔法の正体です。 同じ仕組みを「自由度 ν を可変にする」よう拡張したのが t-SNE variants（α-t-SNE 等）。

対称化の必要性

条件付き確率 $p_{j|i}$ は 非対称（i から見た j ≠ j から見た i）。 そのままだと最適化が不安定になるため、 対称化します：

早期誇張（Early Exaggeration）

最適化初期の数百ステップで、 $p_{ij}$ を α 倍（典型 12 倍）して使うテクニックがあります。 これにより「クラスタを最初に強く引き寄せ、 その後ゆっくり緩める」効果があり、 大域構造のロバスト性が高まります。 scikit-learn の early_exaggeration パラメータで制御可能。

Barnes-Hut 近似

素朴実装は O(n²) ですが、 重力多体問題で使われる Barnes-Hut アルゴリズムを応用すると O(n log n) に削減できます。 これにより数万点でも数分で計算可能。 scikit-learn のデフォルト（method='barnes_hut'）。

⚙️ ハイパーパラメータ全リスト — sklearn TSNE

論文・実務での実用ルール：「perplexity と random_state だけは必ず明示し、 他は既定値」が安全。 細かい調整は学術論文でのチューニングが必要なときのみ。

🆚 t-SNE vs UMAP — どう選ぶか詳細比較

結論： 2026 年現在は「速度」「大域構造」「新規データ投影」の 3 点で UMAP 優位。 ただし t-SNE は 定番として論文比較・既存資産・教育目的で残ります。 新規プロジェクトでは UMAP をデフォルトに、 比較用に t-SNE も併記が現実解。

🔬 記号・要素の読み解き

🔬 数式を言葉で読み解く — t-SNE の 3 ステップ

ステップ 1: 高次元側の近傍確率を作る。 各点 $\mathbf{x}_i$ に対して、 「ガウスカーネル」で他の点との近さを 確率に変換します：

この $\sigma_i$ は perplexity という入力値から決まります。 perplexity は概ね「各点が何個の近傍を持つと考えるか」の指定（5〜50 が標準）。

ステップ 2: 対称化。 $p_{ij} = \frac{p_{j|i} + p_{i|j}}{2n}$ で対称な確率にします。 これで「i から見た j の近さ」と「j から見た i の近さ」が均等になります。

ステップ 3: 低次元側の確率（t 分布）。 出力空間 $\mathbb{R}^2$ の点 $\mathbf{y}_i$ に対し、 自由度 1 の Student-t 分布を用いて：

最適化: $p$ と $q$ の差を Kullback-Leibler ダイバージェンスで測り、 これを最小化するように $\mathbf{y}_i$ を勾配降下で動かします：

KL は非対称なので、 「高次元で近い→低次元でも近く」は重く罰せられますが、 「高次元で遠い→低次元で近い」は軽い罰しか付きません。 これが「t-SNE は局所構造を優先」する数学的根拠です。

勾配の直感

KL を $\mathbf{y}_i$ について微分すると、 各点に「引っ張り合う力」と「押し離す力」の合力が働きます：

🧮 数値例・実値計算

perplexity の効果（同じデータでも見え方が変わる）：

複数の perplexity で実行し、 ロバストな構造を確認するのが推奨。

🧮 SSDSE-B-2026 で実値計算 — 47 都道府県を 2D に

SSDSE-B-2026（社会・人口統計体系、 47 都道府県 × 100 列以上）から、 次の 5 つの代表的な社会経済指標を選んで t-SNE にかけてみます：

これら 5 列を 標準化（Z-score）してから t-SNE に渡すのが定石です。 標準化しないと、 単位の大きい「総人口」だけが距離計算を支配し、 他の指標が無視されます。

手計算で perplexity の効果を確認

標準化済み 5 次元空間で「北海道」と「東京」の Euclidean 距離 $d_{\text{北,東}}$ を仮に 3.2、 「北海道」と「青森」の距離を 0.8 とします。 perplexity に対応する $\sigma_i$ が 1.0 のとき：

これが「近い県には大きな確率」「遠い県には小さな確率」という t-SNE の出発点です。

🧮 数式に値を入れて手で計算する: t-SNE の perplexity

SSDSE-B-2026 の 47 都道府県データ (n=47) を入力にしたときの t-SNE perplexity の推奨値を、 シャノンエントロピー H と perplexity = 2^H の関係から逆算する。 n=47 では perplexity 5-10 程度が標準的レンジ (典型 n=100 の半分以下)。

Step 1: Perplexity

Step 2: 推奨値

🐍 Python で再現

1
2
3
4
5
6
7
8

import numpy as np
# 例: 等確率 k 近傍
ks = [5, 10, 30]
for k in ks:
    p = 1/k
    H = -k * p * np.log2(p)
    perp = 2**H
    print(f"k={k}: H={H:.2f}, perp={perp:.1f}")

📤 実行結果

💬 手計算 (Step 1) perp ≈ k (等確率時) と Python 出力が完全一致。

🐍 Python 実装例

最小コードで動かしてみる例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

from sklearn.manifold import TSNE
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt

digits = load_digits()  # 64次元 → 2次元へ
# 全 1797 点だと 2 分以上かかるので、先頭 500 点で試す（傾向は変わらない）
_X, _y = digits.data[:500], digits.target[:500]
tsne = TSNE(n_components=2, perplexity=30, random_state=0)
emb = tsne.fit_transform(_X)

plt.scatter(emb[:, 0], emb[:, 1], c=_y, cmap='tab10', s=10)
plt.title('t-SNE 可視化（MNIST 数字）')
plt.colorbar()
plt.show()

🐍 Python 実装 ① — SSDSE-B-2026 を読み込んで t-SNE

🎯 このコードでやること：SSDSE-B-2026 の 47 都道府県データから 5 列（人口・出生数・出生率・転入者数・婚姻件数）を抜粋、 標準化したうえで sklearn.manifold.TSNE で 2D に射影します。

📥 入力データ（SSDSE-B-2026.csv、 抜粋）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.manifold import TSNE

# SSDSE-B-2026 を読み込む（1 行目はヘッダコード、 2 行目は日本語ヘッダ）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
# 年度で絞らないと 564 行（47 県 × 12 年）になり、下の (47, 5) と食い違う
df = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()]

# 5 列を選ぶ
cols = ['A1101', 'A4101', 'A4103', 'A5101', 'A9101']
X = df[cols].values         # shape: (47, 5)
prefs = df['Prefecture'].values  # 都道府県名（ラベル用）

# 標準化（Z-score）— これを忘れると人口だけが支配する
X_std = StandardScaler().fit_transform(X)

# t-SNE — perplexity=10（n=47 なので小さめ）
tsne = TSNE(n_components=2, perplexity=10, random_state=0, init='pca')
emb = tsne.fit_transform(X_std)

print('emb shape:', emb.shape)
for p, (x, y) in zip(prefs[:5], emb[:5]):
    print(f'{p}: ({x:.2f}, {y:.2f})')

📤 実行例（出力）：

💬 結果の読み方: 表示された先頭 5 県のうち青森・岩手・秋田は x が −6〜−7 で近くにまとまり、 北海道 (−2.45, 8.22) はそこから離れる。 埋め込み全体では東京都 (2.16, 14.14) の最近傍 3 県が神奈川・大阪・埼玉、 沖縄県 (7.65, −13.30) の最近傍が鹿児島・宮崎・熊本で、 「人口規模・出生率・転入者数」が似ている都道府県が 近傍確率を共有している。 北海道の最近傍は京都・宮城・兵庫で、 地理的な近さとは一致しない。 ただし座標の絶対値や軸方向には意味がない（回転・反転は perplexity と random_state に依存）。

🐍 Python 実装 ② — perplexity を変えて結果を比較

🎯 このコードでやること：同じ SSDSE-B-2026 データに対して perplexity を 5 / 15 / 30 / 45 と変えて 4 通りの t-SNE 埋め込みを作り、 結果がどれだけ変わるかを 2×2 のサブプロットで可視化します。

📥 入力データ: 上のセクションで作成した X_std（shape (47, 5)）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import matplotlib.pyplot as plt
from sklearn.manifold import TSNE

perps = [5, 15, 30, 45]
fig, axes = plt.subplots(2, 2, figsize=(11, 9))
for ax, p in zip(axes.ravel(), perps):
    emb = TSNE(n_components=2, perplexity=p, random_state=0,
               init='pca').fit_transform(X_std)
    ax.scatter(emb[:, 0], emb[:, 1], s=30, c='#00695C')
    for i, name in enumerate(prefs):
        ax.annotate(name, (emb[i, 0], emb[i, 1]), fontsize=7)
    ax.set_title(f'perplexity = {p}')
plt.tight_layout()
plt.savefig('tsne_perp_compare.png', dpi=120)
print('saved')

📤 実行例（出力）：

💬 結果の読み方: 保存した図では、 perplexity=5 は数県ずつの小さな塊が 7 つほどに分かれ、 横軸の幅が約 75 に広がる。 15 では斜めの帯とその下の小さな塊になって幅は約 9、 30 では約 4.5、 45 では約 0.5 まで縮み、 47 県がほぼ一点に潰れる。 perplexity が変わるだけで クラスタ数も配置も全く変わる が、 東京都の最近傍（神奈川・大阪・埼玉）や沖縄県の最近傍（鹿児島・宮崎・長崎）は 4 通りすべてでほぼ同じ。 n=47 という小さな標本では perplexity 5-15 が現実的。 「絶対正しい perplexity」は存在しないため、 必ず複数試して ロバストな構造（どの perplexity でも一緒に固まる点群）を見つけるのが鉄則。

🐍 Python 実装 ③ — PCA との並列比較

🎯 このコードでやること：同じ SSDSE-B-2026 データに対して PCA（線形）と t-SNE（非線形）を並べて表示し、 「線形と非線形でクラスタの見え方がどう違うか」を可視化します。

📥 入力データ: 上の X_std。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

pca = PCA(n_components=2).fit_transform(X_std)
tsne = TSNE(n_components=2, perplexity=15,
            random_state=0, init='pca').fit_transform(X_std)

fig, (a, b) = plt.subplots(1, 2, figsize=(13, 6))
a.scatter(pca[:, 0], pca[:, 1], s=30, c='#1565C0')
a.set_title('PCA (線形)')
b.scatter(tsne[:, 0], tsne[:, 1], s=30, c='#00695C')
b.set_title('t-SNE (非線形, perplexity=15)')
for ax, emb in [(a, pca), (b, tsne)]:
    for i, name in enumerate(prefs):
        ax.annotate(name, (emb[i, 0], emb[i, 1]), fontsize=7)
plt.tight_layout()
plt.savefig('pca_vs_tsne_47pref.png', dpi=120)
print('PCA 第 1-2 成分の説明分散比:', PCA(n_components=2).fit(X_std).explained_variance_ratio_)

📤 実行例（出力）：

💬 結果の読み方: 第 1 成分だけで分散の 85.6%、 第 2 成分と合わせて 98.8% を説明する。 第 1 成分は総人口・出生数・転入者数・婚姻件数にほぼ同じ重み（0.47〜0.48）がかかった「人口規模の軸」で、 東京都 (9.38) が神奈川県 (4.74)・大阪府 (4.22) の 2 倍の位置に飛び出し、 残りの県は狭い範囲に詰まる。 第 2 成分はほぼ合計特殊出生率（重み 0.95）。 PCA はこうした 分散の大きな軸に支配されて、 細かな地域差が潰れます。 t-SNE は確率分布を保存するため、 各地方ブロックを「クラスタ」として浮かび上がらせやすい。 ただし PCA は累積寄与率という客観指標があるのに対し、 t-SNE は「正しさ」を定量化しにくい。 役割分担: PCA で軸の意味を見て、 t-SNE でクラスタを探す。

🐍 Python 実装 ④ — KL 発散とクラスタ品質の評価

🎯 このコードでやること：t-SNE の最終的な kl_divergence_ 値を取得し、 さらに silhouette_score で「埋め込み空間で k-means クラスタリングが綺麗に分かれているか」を定量化します。 これにより複数の perplexity を「数値」で比較できます。

📥 入力データ: 同じ X_std（SSDSE-B-2026 の 5 列標準化済み）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

from sklearn.manifold import TSNE
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

print(f'{"perp":>6} | {"KL_final":>10} | {"silhouette(k=5)":>16}')
print('-' * 42)
for p in [5, 10, 15, 20, 30]:
    t = TSNE(n_components=2, perplexity=p,
             random_state=0, init='pca').fit(X_std)
    emb = t.embedding_
    km = KMeans(n_clusters=5, n_init=10, random_state=0).fit(emb)
    sil = silhouette_score(emb, km.labels_)
    print(f'{p:>6d} | {t.kl_divergence_:>10.4f} | {sil:>16.3f}')

📤 実行例（出力）：

💬 結果の読み方: KL 発散は perplexity を上げるほど単調に下がりますが、 これは「全点が滑らかな雲」になるからで、 クラスタ品質を保証しません。 KL は 0.1580 から 0.0108 まで下がる。 別途 silhouette（-1 〜 1、 大きいほどクラスタが綺麗）でチェックすると、 SSDSE 47 県では perplexity=5 が最良（0.658）で、 30 の 0.457 まで perplexity とともに下がる。 つまり「KL だけ」を見ると 30 が良いが、 クラスタの分かれ方では 5 が良い。 ただし小さい perplexity ほど t-SNE は点を小さな塊に分けるので silhouette は高く出やすく、 どちらの指標も単独では決め手にならない。 評価軸を 2 つ持つことが重要。

🐍 Python 実装 ⑤ — 都道府県を「地方ブロック」で色分け

🎯 このコードでやること：47 都道府県を 8 つの地方ブロック（北海道・東北・関東・中部・近畿・中国・四国・九州沖縄）に分け、 t-SNE 散布図をブロック別に色分けします。 「t-SNE が自動的に地方を分離できるか」を視覚的に検証。

📥 入力データ: X_std（標準化済 5 次元）と都道府県名のリスト。 地方ブロック定義は Python リテラル（公開地理区分）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

import matplotlib.pyplot as plt
from sklearn.manifold import TSNE

# 地方ブロック定義（総務省標準区分）
region = {
    '北海道': '北海道',
    '青森県': '東北', '岩手県': '東北', '宮城県': '東北',
    '秋田県': '東北', '山形県': '東北', '福島県': '東北',
    '茨城県': '関東', '栃木県': '関東', '群馬県': '関東',
    '埼玉県': '関東', '千葉県': '関東', '東京都': '関東', '神奈川県': '関東',
    '新潟県': '中部', '富山県': '中部', '石川県': '中部', '福井県': '中部',
    '山梨県': '中部', '長野県': '中部', '岐阜県': '中部',
    '静岡県': '中部', '愛知県': '中部',
    '三重県': '近畿', '滋賀県': '近畿', '京都府': '近畿',
    '大阪府': '近畿', '兵庫県': '近畿', '奈良県': '近畿', '和歌山県': '近畿',
    '鳥取県': '中国', '島根県': '中国', '岡山県': '中国',
    '広島県': '中国', '山口県': '中国',
    '徳島県': '四国', '香川県': '四国', '愛媛県': '四国', '高知県': '四国',
    '福岡県': '九州沖縄', '佐賀県': '九州沖縄', '長崎県': '九州沖縄',
    '熊本県': '九州沖縄', '大分県': '九州沖縄', '宮崎県': '九州沖縄',
    '鹿児島県': '九州沖縄', '沖縄県': '九州沖縄',
}
colors = {'北海道': '#1565C0', '東北': '#00838F', '関東': '#C62828',
          '中部': '#EF6C00', '近畿': '#6A1B9A', '中国': '#2E7D32',
          '四国': '#558B2F', '九州沖縄': '#AD1457'}

emb = TSNE(n_components=2, perplexity=12,
           random_state=0, init='pca').fit_transform(X_std)

fig, ax = plt.subplots(figsize=(11, 9))
for blk, c in colors.items():
    idx = [i for i, p in enumerate(prefs) if region[p] == blk]
    ax.scatter(emb[idx, 0], emb[idx, 1], s=70, c=c, label=blk, alpha=0.85)
    for i in idx:
        ax.annotate(prefs[i], (emb[i, 0], emb[i, 1]), fontsize=8)
ax.legend(loc='upper left', fontsize=10)
ax.set_title('t-SNE (perplexity=12) — 47 都道府県を地方ブロックで色分け')
plt.tight_layout()
plt.savefig('tsne_region_colored.png', dpi=120)
print('saved tsne_region_colored.png')

📤 実行例（出力）：

💬 結果の読み方: t-SNE は 地理ラベルを知らないので、 地方ブロックがどこまで固まるかは数えて確かめる。 この埋め込みで各県の最近傍 3 県が同じブロックに属する割合は全体で 30%（ランダムに選んだときの約 13% の 2 倍強）で、 九州沖縄は 62%、 東北は 50% とまとまる一方、 中部は 22%、 四国は 17% にとどまる。 「同じ地方の県は同じような人口動態を持つ」傾向は九州・東北では見えるが、 地方ブロック全体が分離するほど強くはない。 ただし「東北と九州の距離」を文字通り解釈してはいけない（perplexity 依存）。

🐍 Python 実装 ⑥ — 「孤立点」を検出する

🎯 このコードでやること：t-SNE 埋め込み空間で、 各点の k-NN 距離平均を計算し、 上位 3 つを「最も孤立した都道府県」として抽出します。 外れ値の自動検出です。

📥 入力データ: 上で計算した emb（shape (47, 2)）と prefs。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np
from sklearn.neighbors import NearestNeighbors

nn = NearestNeighbors(n_neighbors=4).fit(emb)
dist, _ = nn.kneighbors(emb)   # 自分自身を含むので n=4 で k=3
mean_dist = dist[:, 1:].mean(axis=1)  # 自分以外の 3 近傍平均

rank = np.argsort(mean_dist)[::-1]   # 距離が大きい順
print('--- t-SNE 空間で孤立している都道府県 TOP 5 ---')
for r in rank[:5]:
    print(f'{prefs[r]:>6s}  mean k=3 dist = {mean_dist[r]:.2f}')

📤 実行例（出力）：

💬 結果の読み方: 孤立度の上位は北海道 (2.13)・静岡県 (1.92)・広島県 (1.88)・秋田県 (1.69)・沖縄県 (1.59) で、 大都市の東京・神奈川・大阪は入らない。 大都市どうしは互いに近傍になって小さな塊を作るので、 「元データで極端な県」と「t-SNE 空間で孤立する県」は一致しない。 北海道や静岡県は、 似た値の組み合わせを持つ県が近くに少ないため、 どの塊からも離れた位置に置かれている。 異常検知の素朴な応用例として、 機械の振動センサ・顧客行動ログ・医療検査値などに同じ手法を適用できます。

📜 歴史と発展系譜

t-SNE は 2008-2020 年の機械学習可視化の 事実上の標準でしたが、 UMAP 以後は「使ってもいいが UMAP も併記」がベストプラクティスになっています。

✅ 実践チェックリスト — 論文・レポートに載せる前に

• ☐ 入力データを 標準化したか（StandardScaler 等）
• ☐ random_state を 固定したか
• ☐ init='pca'（または既定）を確認したか
• ☐ perplexity を 3 通り以上試して結果を比較したか
• ☐ クラスタ間の距離を本文で議論していないか（してはいけない）
• ☐ クラスタの「大きさ」を解釈していないか（してはいけない）
• ☐ 軸ラベルを「t-SNE 1」「t-SNE 2」（意味なし）と書いたか
• ☐ サンプル数が小さい（n < 50）場合に perplexity ≤ n/3 を守ったか
• ☐ PCA / UMAP との比較図を補足したか（推奨）
• ☐ max_iter が収束に十分か確認したか（最終 KL 値で判定）
• ☐ 高次元データ（> 100 次元）の場合、 先に PCA で 50 次元程度に落としたか
• ☐ シルエットスコア等のクラスタ品質指標で perplexity を選定したか

📖 参考文献・さらに学ぶには

• van der Maaten, L., & Hinton, G. (2008). Visualizing Data using t-SNE. Journal of Machine Learning Research, 9, 2579-2605. — 原典論文
• Wattenberg, M., Viégas, F., & Johnson, I. (2016). How to Use t-SNE Effectively. Distill. — perplexity の効果を対話的に可視化
• McInnes, L., Healy, J., & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection. — UMAP の原論文
• Kobak, D., & Berens, P. (2019). The art of using t-SNE for single-cell transcriptomics. Nature Communications. — 細胞分野での実践ガイド
• scikit-learn 公式ドキュメント: sklearn.manifold.TSNE — API リファレンス
• openTSNE: 新規データ投影が可能な派生実装

🐍 Python 実装 ⑦ — 5 列を 10 列に拡張して再分析

🎯 このコードでやること：SSDSE-B-2026 から 2023 年の 47 都道府県について 10 列（人口・出生数・出生率・転入者数・婚姻件数・転出者数・年平均気温・最低気温・新規求職申込件数・一般病院数）を抜粋し、 5 列版と比較して「次元が増えると t-SNE の見え方がどう変わるか」を検証。

📥 入力データ: 同じ SSDSE-B-2026.csv、 ただし 10 列。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df[df['SSDSE-B-2026'] == 2023]   # 年度で絞らないと 564 行（47 県 × 12 年）になる

cols_5 = ['A1101', 'A4101', 'A4103', 'A5101', 'A9101']
cols_10 = cols_5 + ['A5102', 'B4101', 'B4103', 'F3101', 'I510120']
# A5102=転出者数, B4101=年平均気温, B4103=最低気温, F3101=新規求職申込件数, I510120=一般病院数

X5 = StandardScaler().fit_transform(df[cols_5].values)
X10 = StandardScaler().fit_transform(df[cols_10].values)

emb5 = TSNE(n_components=2, perplexity=12, random_state=0,
            init='pca').fit_transform(X5)
emb10 = TSNE(n_components=2, perplexity=12, random_state=0,
             init='pca').fit_transform(X10)

fig, (a, b) = plt.subplots(1, 2, figsize=(13, 6))
a.scatter(emb5[:, 0], emb5[:, 1], s=40, c='#00695C')
a.set_title(f't-SNE on {len(cols_5)} columns')
b.scatter(emb10[:, 0], emb10[:, 1], s=40, c='#1565C0')
b.set_title(f't-SNE on {len(cols_10)} columns')
plt.tight_layout()
plt.savefig('tsne_5vs10cols.png', dpi=120)
print(f'Saved. 5 列入力 shape = {X5.shape}, 10 列入力 shape = {X10.shape}')

📤 実行例（出力）：

💬 結果の読み方: どちらも 2023 年の 47 県を入力している。 5 列版は埼玉・千葉・東京・神奈川・愛知・大阪・兵庫・福岡の 8 都府県が右端に、 福井・鳥取・島根と九州の県が左上にまとまる対角線状の並び。 10 列版では同じ 8 都府県が左下に離れた塊になり、 残り 39 県が気温などで広がる。 最近傍 3 県が同じ地方ブロックに属する割合は 5 列の 30.5% から 10 列の 35.5% へ少し上がる程度で、 列を足しても地理どおりに分かれるわけではない。 これは「特徴量設計が t-SNE の結果を大きく変える」ことの実証。

🐍 Python 実装 ⑧ — KL 値とイテレーション数の関係

🎯 このコードでやること：t-SNE の学習中に KLDivergenceCallback（カスタム）で各イテレーションの KL 発散値を記録、 「収束はいつ起こったか」を可視化します。

📥 入力データ: 上のセクションの X_std（SSDSE-B-2026 の 5 列標準化済）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

# ── この抜粋で使うデータを用意します（SSDSE-B の 47 都道府県・最新年度）──
import pandas as pd
from sklearn.preprocessing import StandardScaler

_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
_d = _d[_d['SSDSE-B-2026'] == _d['SSDSE-B-2026'].max()]
X_std = StandardScaler().fit_transform(
    _d[['A1101', 'A1303', 'A4101', 'L3221', 'C5401']].astype(float))

from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 異なる反復回数で実行して最終 KL を記録（sklearn 1.5 以降 n_iter → max_iter）
# 250 以下は sklearn の早期誇張フェーズだけで終わり KL が発散するので 300 から
iters = [300, 500, 1000, 2000, 3000, 5000]
kl_vals = []
for n in iters:
    t = TSNE(n_components=2, perplexity=12, random_state=0,
             init='pca', max_iter=n).fit(X_std)
    kl_vals.append(t.kl_divergence_)
    print(f'max_iter={n:>4d}: KL = {t.kl_divergence_:.4f}')

plt.figure(figsize=(8, 5))
plt.plot(iters, kl_vals, 'o-', color='#00695C', linewidth=2)
plt.xlabel('max_iter')
plt.ylabel('Final KL divergence')
plt.title('t-SNE 収束曲線 (SSDSE-B-2026, 47 都道府県)')
plt.grid(True, alpha=0.3)
plt.savefig('tsne_kl_curve.png', dpi=120)

📤 実行例（出力）：

💬 結果の読み方: KL は 300 回の 0.1694 から 1000 回の 0.1067 まで下がり、 それ以降は 5000 回まで小数第 4 位まで同じ値のまま（途中で改善が止まり打ち切られている）。 SSDSE 47 県という小データなら 既定の max_iter=1000 で十分です。 大規模データ（数万点）では max_iter を 3000-5000 にしたほうが安定する場合があります。 KL の絶対値はデータ依存（人数比較は無意味）、 「下げ止まる」位置だけが重要。

🔧 実装詳細 — 内部で何が起こっているか

σᵢ の探索（二分探索）

各点 $i$ の $\sigma_i$ は、 「perplexity が指定値になるよう」二分探索で決定されます：

これにより、 密な領域では $\sigma_i$ が小さく、 疎な領域では大きく自動調整されます。 局所スケール適応がこのアルゴリズムの核心の 1 つ。

勾配計算の項分解

勾配は次の 2 項に分解できます：

この 2 項のバランスで、 「高次元で近い同士が引き合い、 全体としては適度に広がる」自己組織化が起こります。 物理学のシミュレーションに似た描像です。

早期誇張の役割

最初の 250 イテレーションだけ $p_{ij}$ を 12 倍にすると、 クラスタが先に強く凝集します。 その後通常値に戻すと、 クラスタ内部の細かい配置が決まる。 「粗く分けてから細部を整える」二段階最適化。

運動量項（Momentum）

勾配降下に運動量項を加えることで、 「振動を抑え滑らかに収束」します。 デフォルトは初期 0.5、 後半 0.8。

🆎 代替手法詳細 — PCA・UMAP・PaCMAP・TriMap

PaCMAP（2021）

「Pairwise Controlled Manifold Approximation Projection」。 局所・中域・大域構造を 3 種類のペアで同時に保存。 t-SNE と UMAP の良いとこ取り。

TriMap（2019）

「triplet」（近・中・遠の 3 点組）の関係を保存。 t-SNE よりも大域構造に強い。

LargeVis（2016）

大規模データ向け t-SNE の高速版。 数百万点でも実用化。

SNE（原型、 2002）

t-SNE の前身。 低次元側もガウス分布を使う。 混雑問題が解決されておらず、 現在は使われない。

PHATE（2019）

「Potential of Heat-diffusion for Affinity-based Transition Embedding」。 拡散ベースの埋め込み。 細胞分化系統樹のような連続的構造に強い。

🔮 これからの t-SNE — 2026 年以降の展望

• UMAP への置換進行：scRNA-seq・NLP 分野では既に UMAP が主流。 t-SNE は教科書的役割に
• GPU 実装の成熟：cuML・openTSNE GPU 版で数百万点が秒オーダー
• 動的 t-SNE：時系列・ストリーミングデータへの逐次更新（研究段階）
• 解釈可能 AI との融合：BERT/GPT の内部表現可視化で再び注目
• 教育目的：「確率分布の保存」という思想がシンプルなため、 教育・入門で長く使われる
• 論文比較ベンチマーク：UMAP / PaCMAP 等の新手法は必ず t-SNE と比較するため、 完全に消えることはない

🚀 完全ウォークスルー — SSDSE-B-2026 を 0 から t-SNE 可視化

「データを開く」から「論文に載せる図」まで、 一連の流れを通しで示します。

ステップ 1: データ確認

ステップ 2: 2023 年データだけ抽出

1
2
3
4

import pandas as pd
df_all = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df_all[df_all['SSDSE-B-2026'] == 2023].copy()  # 最新年のみ
print(f'shape: {df.shape}, 都道府県数: {df["Prefecture"].nunique()}')

💬 2023 年度だけに絞ると (47, 112) で、県数も 47 とそろう。絞らずに 564 行のまま t-SNE に入れると、同じ県の 12 年度分が近くに固まって「県ごとのクラスタ」が見えるだけになるので、この絞り込みが後の図の意味を決めている。

ステップ 3: 特徴量選択と標準化

1
2
3
4
5
6
7
8

from sklearn.preprocessing import StandardScaler

feats = ['A1101', 'A4101', 'A4103', 'A5101', 'A5102',
         'A9101', 'B4101', 'F3101', 'I510120', 'J2503']
X = df[feats].dropna().values
prefs = df.loc[df[feats].dropna().index, 'Prefecture'].values
X_std = StandardScaler().fit_transform(X)
print(f'X shape: {X_std.shape}')   # (47, 10)

💬 10 指標のどれにも欠損がなく、dropna() 後も 47 行 × 10 列が残った。A1101（総人口、万〜千万の桁）と比率系の指標では桁が大きく違うため、標準化せずに入れると t-SNE の距離がほぼ人口だけで決まってしまう。StandardScaler で各列を平均 0・分散 1 にそろえたのはそのため。

ステップ 4: 複数 perplexity で t-SNE

1
2
3
4
5

from sklearn.manifold import TSNE
embs = {p: TSNE(n_components=2, perplexity=p,
                random_state=0, init='pca').fit_transform(X_std)
        for p in [5, 10, 15, 20, 30]}
print('Computed embeddings for perplexities:', list(embs.keys()))

💬 perplexity 5・10・15・20・30 の 5 通りを計算した。47 件しかないデータでは perplexity 30 は「各点がほぼ全体の 6 割を近傍とみなす」設定で、局所構造より全体の配置に寄る。random_state=0 を固定しているので、同じ環境なら何度実行しても同じ座標が返る。

ステップ 5: クラスタ品質評価

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

best_perp, best_sil = None, -1
for p, e in embs.items():
    labels = KMeans(n_clusters=5, n_init=10, random_state=0).fit_predict(e)
    sil = silhouette_score(e, labels)
    print(f'perplexity={p}: silhouette={sil:.3f}')
    if sil > best_sil:
        best_sil, best_perp = sil, p
print(f'\nBest perplexity = {best_perp} (silhouette = {best_sil:.3f})')

💬 シルエット係数は perplexity=5 の 0.541 が最大で、10 では 0.446 まで下がる。ただし t-SNE は小さい perplexity ほど点を小さな塊に分けやすく、その埋め込みに KMeans を当てれば高めの値が出やすい。0.541 は「元の 10 次元で 5 群に分かれる」証拠ではないので、元空間でのクラスタリングの結果とも突き合わせたい。

ステップ 6: 最終図の保存

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

import matplotlib.pyplot as plt

emb = embs[best_perp]
fig, ax = plt.subplots(figsize=(10, 8))
ax.scatter(emb[:, 0], emb[:, 1], s=60, c='#00695C', alpha=0.85)
for i, name in enumerate(prefs):
    ax.annotate(name, (emb[i, 0], emb[i, 1]), fontsize=8)
ax.set_xlabel('t-SNE 1')
ax.set_ylabel('t-SNE 2')
ax.set_title(f't-SNE 可視化 — 47 都道府県 (SSDSE-B-2026, perp={best_perp})')
plt.tight_layout()
plt.savefig('final_tsne_47pref.pdf')   # 論文用 PDF
plt.savefig('final_tsne_47pref.png', dpi=150)
print('Saved 2 figures.')

💬 図は PDF と PNG の 2 枚で保存された。perplexity=5 の埋め込みでは、東京都の最近傍が神奈川県・大阪府・埼玉県、鳥取県の最近傍が島根県・福井県・滋賀県となり、大都市圏と小規模県が別々の場所にまとまる。ただし t-SNE の軸の値（横軸は約 −27〜32）や塊どうしの距離には意味がないので、「近い県どうし」以上の読み方はしない。

以上で 「データ → 標準化 → t-SNE → 品質評価 → 最終図」のフルパイプラインが完成。 論文・レポートにそのまま使える品質です。

🔍 トラブルシューティング — よくあるエラーと対処

📊 「t-SNE 図を読むリテラシー」 — 他人の論文を見るとき

論文・スライド・ブログで t-SNE 図を見たら、 次のチェックを：

• perplexity が明記されているか：書いてなければ評価不能
• random_state が明記されているか：書いてなければ再現不可能
• クラスタ間の距離を本文で議論していないか：していたら著者の理解が浅い可能性
• クラスタの「大きさ」を語っていないか：t-SNE はクラスタサイズに意味なし
• 軸ラベルが「t-SNE 1」「t-SNE 2」になっているか：軸に意味がある書き方は要注意
• 標準化（あるいは PCA 前処理）が明記されているか：書いてなければ結果信頼度低
• n（サンプル数）が perplexity の 3 倍以上か：小さすぎる n は不安定
• UMAP / PCA との比較図があるか：あれば著者は手法を理解している

これらを満たさない t-SNE 図は、 結論に 定性的記述（「3 つのクラスタが見える」程度）以上の意味を持たせるべきではありません。

📝 演習問題 — 自分の手で確認する

理解を深めるための実践的な演習を 8 問用意しました。 SSDSE-B-2026.csv が手元にある前提です。

演習 1: 列を変えて結果を比較

人口・出生数・出生率の 3 列だけ／ 教育系（小中高校数）10 列だけ／ 経済系（事業所数・小売店数）10 列だけ、 という 3 通りで t-SNE を実行し、 「地方ブロックの見え方」がどう変わるか観察せよ。

演習 2: PCA 前処理を加える / 加えない比較

10 列 → PCA で 3 次元 → t-SNE と、 10 列 → 直接 t-SNE を比較。 高次元 → PCA → t-SNE が「ノイズ除去」として機能するか確認。

演習 3: random_state の効果

random_state を 0, 1, 2, ..., 9 と 10 通り変えて、 「クラスタの相対位置」がどれだけ変わるか確認せよ。

演習 4: metric を変える

metric='euclidean' と metric='cosine'、 metric='manhattan' で結果を比較。 SSDSE データではどれが「地方ブロック分離」に向くか？

演習 5: UMAP との比較

pip install umap-learn の上、 同じデータで UMAP（n_neighbors=10, min_dist=0.1）を実行し、 t-SNE 図と並べて比較せよ。 どちらが地方ブロックの分離を綺麗に示すか？

演習 6: 年次変化の可視化

2018-2023 年の SSDSE-B-2026 から各年の都道府県データを取り、 全年 × 47 県 = 282 点を一括 t-SNE。 同じ都道府県の年次推移を線で結ぶと、 「東京は常に外れ」「沖縄は徐々に独自パスを描く」などが見える。

演習 7: クラスタ数と silhouette

t-SNE 後の埋め込みで k-means の k=2, 3, ..., 10 を試し、 silhouette score の最大値を取る k を見つけよ。 47 都道府県は何クラスタに分かれるのが最適か？

演習 8: 一般病院数 vs 診療所数の散布図と t-SNE 図を重ね

t-SNE 図の各点を「一般病院数（色濃淡）」で塗り分け、 「t-SNE で固まる地域は本当に医療資源が似ているか」を視覚的に検証。

📋 チートシート — t-SNE を最短で使うための要点

🌍 学際的応用 — 多様な分野での t-SNE

SSDSE-B-2026 のような社会統計データは n=47 と小さいですが、 同じ方法論で 細胞・分子・株価・音楽などへ展開できます。 「高次元データの可視化」というニーズは分野を問わず普遍的です。

🧠 理論補足 — KL 非対称性と「局所構造優位」

KL ダイバージェンス $\mathrm{KL}(P \| Q) = \sum p \log (p/q)$ は 非対称です。 t-SNE で $\mathrm{KL}(P \| Q)$ を最小化することの含意：

• $p_{ij}$ が大きく $q_{ij}$ が小さい → 罰は $p \log(p/q)$ で大（$q$ が小さいほど発散）
• $p_{ij}$ が小さく $q_{ij}$ が大きい → 罰は $0 \cdot \log(0/q) \approx 0$（小さい）

つまり「高次元で近い→低次元でも近く」は 強く保たれるが、 「高次元で遠い→低次元では近くてもよい」となる。 これが「局所構造優位、 大域構造を犠牲」の数学的根拠。

対義の手法として、 $\mathrm{KL}(Q \| P)$ を最小化する設計も理論的に可能（mode-seeking）。 ただし t-SNE は前者を採用しているため、 クラスタ内部は綺麗だがクラスタ間距離はあてにならない。

情報理論的解釈

t-SNE は「高次元の確率分布 $P$ を低次元の $Q$ で 符号化するときの効率」を測っているとも言えます。 KL は「$Q$ を使って $P$ を符号化する際の余分なビット数」。 これを最小化することで、 「低次元表現が高次元分布の情報をなるべく保つ」配置を得ます。

勾配方程式の物理的解釈

勾配方程式を見ると、 各点に ばね力（引力）と クーロン力（斥力）が同時に働く描像になります。 これは N 体重力シミュレーションと数学的に同型で、 Barnes-Hut アルゴリズムが流用できる理由でもあります。

🧪 データ前処理ベストプラクティス

特に SSDSE-B-2026 のような社会統計では、 「総人口」のような桁が大きい列が他を圧倒するため、 標準化または対数変換は必須です。

⚠️ よくある落とし穴

⚠️ 上級者向け落とし穴 — 論文でもよく見るミス

🌐 関連手法・派生

• PCA：線形次元削減。 大域構造を保持
• UMAP：t-SNE より高速・大域保存
• MDS（多次元尺度法）：距離保存の線形手法
• Isomap：測地距離による非線形
• LLE：局所線形埋め込み
• VAE / Autoencoder：深層学習ベース

🌐 実応用ケース — どの分野で何を見るのか

🌐 英日対訳テーブル — 論文を読むときに

✅ 最終チェックリスト — 学習完了の確認

• ☐ t-SNE が「確率分布の保存」を行うことを理解した
• ☐ 高次元側ガウス、 低次元側 t 分布の理由を説明できる
• ☐ perplexity の意味と推奨範囲を把握した
• ☐ KL ダイバージェンスの非対称性が局所構造優先を生む理由を理解した
• ☐ 「クラスタ間距離は信用するな」というルールを身につけた
• ☐ SSDSE-B-2026 で 47 都道府県の t-SNE 実装が組める
• ☐ random_state・init・標準化の重要性を理解した
• ☐ PCA・UMAP・PHATE との使い分けが判断できる
• ☐ 論文の t-SNE 図を批判的に読める
• ☐ Python で複数 perplexity 比較・silhouette 評価ができる

🎯 まとめ — この記事のテイクアウェイ

1. t-SNE は 確率分布の保存で非線形次元削減を行う、 可視化専用の手法
2. 高次元側のガウスカーネルと低次元側の t 分布カーネルの KL 発散を最小化
3. 局所構造は強く保証されるが、 大域構造（クラスタ間距離・サイズ）は保証されない
4. perplexity（典型 5-50）が最重要ハイパラ、 必ず複数値で比較
5. SSDSE-B-2026 の 47 都道府県 5 指標で実演すると、 地方ブロック・大都市圏が明確に分離
6. 2026 年現在は UMAP が速度・大域保存・新規データ投影で優位、 t-SNE は学術的レガシーとして残存
7. 実務では 標準化・PCA 初期化・random_state 固定・複数 perplexity 比較が鉄則
8. 論文・レポートでは perplexity・random_state を 必ず明記し、 軸方向の意味を語らない
9. scRNA-seq・NLP・画像認識・社会統計など、 高次元データなら何にでも適用可能
10. クラスタリング（k-means / HDBSCAN）と組み合わせて、 自動分類の前段としても有効
11. 学習目的としては「KL ダイバージェンス・確率分布・勾配降下」の入門教材として優れる

🏁 結語

t-SNE は 2008 年に登場して以来、 高次元データ可視化の代名詞として君臨してきました。 UMAP・PaCMAP・TriMap など後継手法が現れた今でも、 「確率分布の保存」というシンプルで強力なアイデアは学習価値が高く、 教科書・入門教材で長く扱われ続けるでしょう。 本ページで紹介した SSDSE-B-2026 47 都道府県データを使った実演は、 t-SNE の挙動を手元で確認するための最小コストの例です。 次は手元の実データ（売上・センサ・遺伝子発現等）で同じワークフローを試し、 「自分の問題」での t-SNE の力と限界を体験してください。

本ページが、 あなたの「高次元データを可視化し、 意味を引き出す」旅の出発点になれば幸いです。 t-SNE の理解は、 UMAP・オートエンコーダ・拡散モデル等の周辺技術にも自然に拡張できます。 「確率分布の保存」「KL ダイバージェンス最小化」「勾配降下」というキーワードは、 現代機械学習の 共通言語として、 様々な場面で再登場します。

🎚 perplexity と early_exaggeration の選び方

t-SNE で最も結果を左右するのは perplexity（≒近傍数の目安）。 推奨域は 5〜50、 サンプル数の 1/100〜1/3 程度。 47 都道府県のように n=47 と小さい場合は perplexity=5〜10 が妥当。 また early_exaggeration は最初の数百ステップでクラスタ間距離を強調する係数（既定 12.0）で、 クラスタが融合してしまうときに上げると分離しやすくなる。

🎯 このコードでやること: SSDSE-B-2026 で perplexity を 5/10/20/30 と動かし、 KL ダイバージェンス（最適化目的）の収束値を比較する。

📥 入力データ:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

# ── この抜粋で使うデータを用意します（SSDSE-B の 47 都道府県・最新年度）──
import pandas as pd
from sklearn.manifold import TSNE
from sklearn.preprocessing import StandardScaler

# skiprows=[1] で 2 行目（日本語の項目名）を飛ばし、英字の項目コードを列名にする
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()]

# 医療・保育の充実度を表す 5 項目（いずれも SSDSE-B-2026 に実在する列）
#   A1101 総人口 / I510120 一般病院数 / I5102 一般診療所数
#   I5103 歯科診療所数 / J2503 保育所等数
X = df[['A1101', 'I510120', 'I5102', 'I5103', 'J2503']].astype(float).values
Xs = StandardScaler().fit_transform(X)
for p in [5, 10, 20, 30]:
    ts = TSNE(n_components=2, perplexity=p, init='pca', random_state=0, max_iter=1500)
    _ = ts.fit_transform(Xs)
    print(f'perplexity={p:>2d}  →  KL divergence = {ts.kl_divergence_:.4f}')

📤 実行例:

💬 KL は perplexity=5 の 0.1586 から 30 の 0.0106 まで 15 分の 1 に下がるが、 これは近傍を広く取るほど高次元側の分布が平らになり、 合わせやすくなるだけ。 perplexity が違うと目的関数そのものが違うので、 KL の大小でどれが良いかは比べられない。 47 サンプルでは perplexity=10 前後を中心に、 図の分かれ方を見比べて選ぶ。

⚖ t-SNE vs UMAP vs PCA 比較

同じ SSDSE-B-2026 を、 t-SNE・UMAP・PCA で 2 次元に圧縮し、 近傍保存率（高次元 k-NN がそのまま 2D の k-NN に残る割合）と 計算時間を比べる。 t-SNE は遅いが局所保存に強く、 UMAP は速く大域も比較的保存、 PCA は線形で再現性最高だが非線形を捉えない。

🎯 このコードでやること: 3 手法を同条件で動かし、 速度と近傍保存率を表化する。

📥 入力データ: 2023 年の 47 都道府県 × 5 列（総人口・一般病院数・一般診療所数・歯科診療所数・保育所等数）を標準化したもの。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import time, pandas as pd, numpy as np
from sklearn.manifold import TSNE
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import NearestNeighbors
import umap
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df = df[df['年度'] == 2023]   # 2023 年の 47 都道府県（絞らないと 564 行）
X = df[['総人口','一般病院数','一般診療所数','歯科診療所数','保育所等数']].astype(float).values
Xs = StandardScaler().fit_transform(X)
nn_hi = NearestNeighbors(n_neighbors=6).fit(Xs).kneighbors(return_distance=False)[:,1:]
def preserve(Z, k=5):
    nn_lo = NearestNeighbors(n_neighbors=k+1).fit(Z).kneighbors(return_distance=False)[:,1:]
    return np.mean([len(set(a)&set(b))/k for a,b in zip(nn_hi, nn_lo)])
results = []
for name, fn in [
    ('PCA',   lambda: PCA(n_components=2, random_state=0).fit_transform(Xs)),
    ('t-SNE', lambda: TSNE(n_components=2, perplexity=10, init='pca', random_state=0).fit_transform(Xs)),
    ('UMAP',  lambda: umap.UMAP(n_components=2, n_neighbors=10, random_state=0).fit_transform(Xs)),
]:
    t0 = time.time(); Z = fn(); dt = time.time()-t0
    results.append((name, dt, preserve(Z)))
print(f'{"手法":<6}{"時間[s]":>10}{"近傍保存率":>14}')
for n, t, p in results:
    print(f'{n:<6}{t:>10.3f}{p:>14.3f}')

📤 実行例:

💬 近傍保存率（元の 5 次元での 5 近傍が 2 次元でも 5 近傍に残る割合）は PCA 0.749、 t-SNE 0.715、 UMAP 0.613 で、 この 5 列では線形の PCA が最も高い。 5 列はどれも人口規模とほぼ比例するので、 データが 1 本の軸に近く並び、 PCA の 2 次元でほとんど表せてしまうため。 UMAP の 2 秒は初回実行時のコンパイル時間を含み、 実行のたびに時間は変わる。 非線形手法が PCA に勝つのは、 人口規模と無関係な列を混ぜて構造が曲がったときになる。

💡 さらに openTSNE ライブラリは多重スケール perplexity・Barnes-Hut/FFT 近似・追加点の予測埋め込みなど、 sklearn の TSNE にない機能を提供。 探索的解析では sklearn、 本格運用では openTSNE が定石。

🖼 t-SNE の核心を 3 枚の図で押さえる

図 1: PCA との対比（線形 vs 非線形次元削減）

→ PCA は「分散最大の軸」で射影する線形変換。 t-SNE はこれを補完する非線形手法で、 近傍関係（クラスター構造）を保つよう低次元配置を学習する。 図は 2023 年度の 47 都道府県について、 比率にした 12 特徴 (log 総人口・高齢化率・15 歳未満割合・合計特殊出生率・死亡率・婚姻率・年平均気温・降水量・1 人当たり延べ宿泊者数・人口 10 万人当たり一般診療所数・消費支出・教育費の割合) を標準化して 2 次元にしたもの。 PCA の 2 成分の寄与率は 38.6% + 25.9% で、 主成分 1 は「高齢化率・死亡率が高い」と「婚姻率・人口・教育費の割合が高い」の対比 (右が秋田県、 左が東京都)、 沖縄県は主成分 2 で上に離れる。 元の 12 次元での 5 近傍が 2 次元でも 5 近傍に残る割合は PCA 0.57、 t-SNE (perplexity 15) 0.73 で、 t-SNE の方が近所の県を近くに保つ。 特徴が数千あるデータでは PCA で 30〜50 次元に落としてから t-SNE を当てるのが定石 (この 12 特徴ならそのまま当ててよい)。

図 2: t-SNE の座標にクラスタリングを当てる

→ 図 1 の t-SNE 座標に KMeans(4)・階層 (Ward、 4)・DBSCAN (eps = 1.5、 min_samples = 3) を当て、 元の 12 次元で KMeans(4) を当てた結果との一致度 (ARI) を出した。 KMeans 0.59、 Ward 0.62 と半分強しか一致しない。 元の 12 次元の KMeans は沖縄県 1 県だけのクラスタを作るが、 t-SNE の座標では沖縄県が九州の県の近くに置かれるため、 2 次元でのクラスタには現れない。 DBSCAN は eps に極端に敏感で、 eps = 1.0 ではノイズ 41 県、 1.5 で 4 クラスタ + ノイズ 7 県、 2.0 で全体が 1 クラスタになる (ARI 0.30)。 t-SNE の座標上の距離は「相対近傍」のみが意味を持ち、 絶対距離やクラスター間距離は解釈してはならないので、 クラスタリングは元の空間で行い、 t-SNE は結果を眺めるためだけに使うのが安全。

図 3: perplexity を変えて比べる（t-SNE 出力の読み方）

→ t-SNE の散布図は「クラスター（島）」「リッジ」「孤立点」のパターンで読む。 図は同じ 12 特徴・同じ seed で perplexity だけを 5 / 15 / 40 と変えたもの。 perplexity 5 では沖縄県から九州・中国・四国が帯状に続き、 関東・近畿の都市部が右上の別の島になる。 15 では全体が 1 つの面に広がり、 40 では東京都が右端、 北海道・秋田県が下に離れる配置に変わる。 5 近傍の保存率は 0.67 / 0.73 / 0.65、 東京都に最も近い県はどれも神奈川県だが、 2・3 番目は埼玉県・愛知県・大阪府と入れ替わる。 perplexity は点の数より小さくする必要があり (47 県なら 46 以下)、 大きなデータで勧められる 5 / 30 / 100 の比較は、 47 県では 5 / 15 / 40 程度に縮めて行う。 1 枚の図だけで判断するのは典型的な誤用。

🧪 理解度チェック — t-SNE

以下 5 問を解いて理解度を確認してください。 回答は本文の該当セクションを参照。

1. Q1. t-SNE と PCA の本質的な違いを 2 行で。 「分散」「近傍」というキーワードを必ず使うこと。
2. Q2. perplexity の役割を説明せよ。 5 / 30 / 100 を選んだ場合、 結果はどう変わるか。
3. Q3. t-SNE 散布図上の「クラスター間の距離」を解釈してはならない理由を述べよ。
4. Q4. SSDSE-B-2026 の数値特徴 20 個から 47 県を 2 次元に埋め込みたい。 PCA 何次元 → t-SNE が推奨手順か？ なぜ直接 t-SNE を当てないのか。
5. Q5. UMAP との比較で t-SNE が劣る場面・優れる場面をそれぞれ 1 例ずつ挙げよ。

📊 次元削減手法の比較（補足表）

→ 大局構造を残したいなら PCA、 局所クラスター可視化なら t-SNE、 大規模 + 速度なら UMAP。 t-SNE の結果は「乱数 seed・perplexity・反復数」に依存するため、 再現性確保には seed を必ず固定する。

関連: PCA / UMAP / クラスタリング / k-means / 埋め込み / 散布図

📖 上級補足: t-SNE の数学的内実と現代的代替手法

t-SNE は 2008 年に Laurens van der Maaten と Geoffrey Hinton によって発表された。 元になった SNE（Stochastic Neighbor Embedding）は Hinton らが 2002 年に提案していたが、 「crowding problem（高次元の中規模距離が低次元で潰れる）」という弱点があった。 t-SNE はこの問題を、 低次元側で「自由度 1 の t 分布（コーシー分布）」を使うことで解決した。 t 分布は正規分布より裾が重く、 中規模距離を「やや遠い」と扱うことで、 局所近傍を保ちつつクラスター間の分離を実現した。 これが「t-」の由来である。 KL ダイバージェンス（高次元の近傍確率分布と低次元の近傍確率分布の差）を最小化することで埋め込みを学習する。

計算量は素朴な実装で O(n²) と重く、 大規模データには Barnes-Hut 近似（O(n log n)）が提供されている（sklearn の method='barnes_hut'）。 さらに 2017 年には FFT 加速版（FIt-SNE）が登場し、 数百万点のデータも数分で処理可能になった。 ただし、 計算速度と局所近傍保存のトレードオフは依然として課題であり、 2018 年に Leland McInnes らが提案した UMAP（Uniform Manifold Approximation and Projection）が事実上の後継として普及している。 UMAP は Riemann 多様体の理論を基礎にして「局所近傍 + 一部の大域構造」を同時に保つように設計され、 計算速度・スケーラビリティ・大局構造保存のすべてで t-SNE を上回るとされる。 ただし t-SNE の方が個々のクラスターの「鮮明さ」では優れることが多く、 用途によって使い分けるのが現代の標準。

実務では t-SNE の出力を「探索ツール」として位置づけ、 結論的な判断には使わないのが鉄則。 perplexity を 5・30・100 と変えて 3 枚比較し、 random_state を 3-5 個試して安定する構造のみを「実在する」と判断する。 また、 t-SNE 座標を分類器（k-means、 SVM）に直接入力するのは避け、 PCA / オートエンコーダの潜在表現を分類器入力にし、 t-SNE は可視化専用とする分業が推奨される。 これは「t-SNE 座標は低次元への非線形写像であり、 距離計算に意味を持たない」という性質に由来する。 SSDSE-B-2026 の都道府県 47 件のような小データでは t-SNE はそもそも信頼性が低く、 PCA で十分（n < 100 では t-SNE 推奨せず）。

t-SNE の現代的な発展として、 単細胞 RNA シーケンシング（scRNA-seq）の可視化が重要な応用分野となっている。 10 万細胞以上の遺伝子発現データを 2D に埋め込み、 細胞タイプの構造を可視化する用途で、 t-SNE と UMAP が事実上の標準ツールとなった。 ただし生物学者の間では「t-SNE の島が本当に細胞タイプを反映しているのか、 アルゴリズム由来のアーティファクトなのか」をめぐる議論が続いており、 2019 年の Lior Pachter らの論文では「同じデータを違うランダム seed で t-SNE すると、 得られる細胞タイプ分類が変わる」事例が報告された。 これは t-SNE の本質的な限界であり、 結論的判断には複数の手法（PCA、 UMAP、 階層的クラスタリング）との一致性を確認する三角測量的なアプローチが推奨されている。

t-SNE のハイパーパラメータの中で perplexity 以外に重要なのが「学習率（learning_rate）」「反復数（n_iter）」「初期化（init）」である。 sklearn のデフォルト学習率は 200 だが、 2019 年の Kobak と Berens の論文「The art of using t-SNE for single-cell transcriptomics」では「n/12（標本数を 12 で割った値）」が望ましいと提案されている。 反復数は 1000 がデフォルトだが、 大規模データでは 2000-5000 まで増やすと収束が安定する。 初期化は random（デフォルト）よりも PCA の最初の 2 軸を使う方が、 大局構造の保存性が向上することが知られている。 sklearn では init='pca' で指定できる。 こうした細かいチューニングは「t-SNE で得られる図が、 ハイパーパラメータの選択に強く依存する」という性質の裏返しでもある。 結論として、 t-SNE は強力な可視化ツールだが「魔法」ではなく、 慎重なパラメータ選択と複数手法の併用が、 信頼できる解釈を得る鍵となる。

🔭 visual-r273-tsne：t-SNE を「使える形」で押さえ直す補足

t-SNE は非線形な次元削減の代表格で、 高次元の近傍関係をできるだけ保ったまま 2 次元（または 3 次元）に埋め込む。 ただし「距離が縮んだ・伸びた」を直接読み取ってはいけないのが原則であり、 解釈は「島の中・島の間の構造」に留めるべきだ。 SSDSE-B-2026 の都道府県 47 件のような小データでは、 t-SNE は不安定で PCA の方が頑健になる。 n < 300 程度まで n >= 1000 を目安に使い分けるとよい。

📊 t-SNE と PCA・UMAP の対比

PCA は線形・大局構造保存・高速で、 「分散の最大方向」を軸にする。 t-SNE は非線形・局所構造保存・低速で、 「島の塊」を見せる。 UMAP は両者の中間で、 大局と局所の両方をある程度両立しつつ高速。 実務では PCA で 50 次元程度に圧縮 → t-SNE / UMAP で 2 次元 という 2 段構成が広く使われ、 ノイズと計算量を同時に減らせる。

📐 perplexity の直感

perplexity は「各点が何個の近傍を見るか」を制御するハイパーパラメータで、 5-50 程度が目安。 小さいと細かいサブクラスタが分離するが不安定、 大きいと大局構造寄りになるが鋭さが失われる。 同じデータで perplexity = 5・30・100 の 3 枚を必ず比較し、 ランダム seed も複数試して安定する構造のみを解釈対象とするのが現代の標準。

🧭 関連項目（実在ページのみ）

前提として PCA・次元削減・標準化 を押さえ、 派生として クラスタリング・k-means・階層的クラスタリング を辿ると応用範囲が広がる。

🔗 関連用語

🔗 関連用語（前提・並列・発展）

📘 前提となる概念

📗 並列・代替手法

📕 発展・関連分野

❓ FAQ — 学習者からよくある質問

Q1. t-SNE と UMAP、 どちらを使うべき？
A. 2026 年現在は UMAP 優位。 速度・大域構造・新規データ投影いずれも UMAP が勝ります。 ただし t-SNE は学術論文での「定番」として論文再現・引用の文脈で残ります。

Q2. 軸の意味は？
A. ない。 t-SNE の座標は「相対的な近さ」だけが意味を持ち、 軸方向・原点・スケールは全て恣意的です。

Q3. クラスタ間の距離は？
A. 信用しない。 t-SNE は局所構造を優先するため、 クラスタ間の「広さ」は perplexity と最適化の終わり方に左右されます。

Q4. 何次元のデータまで対応？
A. 数百〜数千次元なら直接投入可。 数万次元（画像生 pixel など）なら先に PCA で 50 次元に落としてから t-SNE が定石です。

Q5. 機械学習の特徴量として使える？
A. 非推奨。 t-SNE は 可視化専用。 特徴量として下流タスクに渡すなら UMAP / オートエンコーダ / PCA を。

Q6. random_state を変えると結果が変わる？
A. はい。 細部は変わりますが、 「ロバストな構造」は基本的に保たれます。 論文に載せる図は random_state を固定し、 補足で「他のシードでも同じ結論」と明記するのが王道。

Q7. 3D 投影は意味があるか？
A. n_components=3 で可能ですが、 紙面・スライドでは見にくく実用性が低いです。 インタラクティブな Web 可視化（plotly 等）と組み合わせるなら有効。

Q8. 計算時間の目安は？
A. 標準実装で n=1000 なら数秒、 n=10,000 で数分、 n=100,000 で時間オーダー。 大規模なら openTSNE / Multicore-TSNE / Barnes-Hut t-SNE を検討。

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 次元削減 — 可視化と特徴抽出
• 📚 可視化 — 高次元データの 2D/3D 表現
• 📚 教師なし学習 — ラベルなしでの構造発見
• 📚 クラスタリング — t-SNE 後によく組み合わせる手法

📚 ケーススタディ ① — 単細胞 RNA-seq での t-SNE

単細胞 RNA シーケンシング（scRNA-seq）は、 個々の細胞ごとに数千〜数万遺伝子の発現量を測定する技術。 1 細胞 × 数万次元のデータが、 サンプルあたり数千〜数万細胞分得られます。

t-SNE の役割：

• 細胞種（T 細胞・B 細胞・マクロファージ等）を クラスタとして可視化
• 既知マーカー遺伝子の発現量を色で重ねて、 クラスタの生物学的意味を推定
• 未知の細胞集団（新規細胞種）を発見

典型ワークフロー：

1. QC：ミトコンドリア遺伝子比率・総 read 数で低品質細胞を除外
2. 正規化：log-CPM (Counts Per Million) 変換
3. 高変動遺伝子選択：上位 2000-3000 遺伝子
4. PCA：50 次元程度に圧縮（t-SNE の前処理）
5. t-SNE / UMAP：50 次元 → 2 次元
6. クラスタリング：Leiden / Louvain アルゴリズム
7. マーカー遺伝子分析：各クラスタの特徴遺伝子を同定

SSDSE-B-2026 の都道府県データ（47 行 × 5 列）と比べると、 scRNA-seq は通常 10,000 細胞 × 2000 遺伝子と 桁違いに大規模。 ただし発想は同じ「高次元から 2D に落として、 似たもの同士が固まる」。

📚 ケーススタディ ② — Word2Vec 単語埋め込みの可視化

Word2Vec は単語を 100-300 次元のベクトルにマッピングします。 これを 2D 可視化すると、 「意味の近い単語が固まる」「king − man + woman ≈ queen」のような演算可能性が見えます。

典型的に見える構造：

t-SNE で「動物 vs 色」のような 意味カテゴリの分離が綺麗に見えると、 「埋め込みが意味的に学習できている」ことの直感的確認になります。 BERT 等の文脈付き埋め込み（CLS トークン）も同じ方法で可視化可能。

📚 ケーススタディ ③ — 画像分類モデルの特徴量を t-SNE で診断

CNN（ResNet 等）の中間層・最終層の活性ベクトル（512-2048 次元）を t-SNE で 2D に投影することで、 「モデルが画像をどう内部表現しているか」が見えます。

典型診断パターン：

• クラスがきれいに分離 → モデルは十分に学習している
• 2 クラスが混じる → そのペアで誤分類が多い（confusion 確認）
• 1 クラスが 2 つに割れる → サブクラス（例: 「犬」が「小型犬」「大型犬」に）が存在
• 外れ点 → ラベルノイズ・異常画像・モデルが間違える典型例

これは ImageNet や CIFAR-10 の論文でよく見る「特徴空間可視化図」の正体です。

🗺 概念マップ — t-SNE が属するエコシステム

t-SNE は「教師なし学習 → 次元削減 → 多様体学習」という樹形図の中で 非線形・確率的・可視化特化のポジションを占めます。 同じツリーで UMAP, MDS, Isomap, LLE が並列に並びます。

🔗 隣接手法への橋渡し

t-SNE は高次元データの 2D / 3D 可視化に特化し、 上流の前処理と下流のクラスタ解釈をつなぐ。

• 上流: 標準化 (StandardScaler) → PCA で 50 次元に圧縮 (計算高速化) → t-SNE 入力
• 並列: PCA (線形、 大域構造)、 UMAP (高速、 大域・局所両方)、 MDS (距離保存)、 オートエンコーダ (非線形、 任意次元)
• 下流: DBSCAN で 2D 上のクラスタ抽出 → シルエット係数 でクラスタ品質評価 → 元の高次元での クラスタ解釈

SSDSE-B-2026 の 47 県 × 50 指標 (人口・経済・福祉) を t-SNE で 2D に落とすと、 「東京・大阪・愛知」の大都市群、 「島根・鳥取」の過疎群、 「沖縄」の特異群が視覚的に分離して見える。

🌳 手法選択フロー

次元削減手法の選択は、 サンプル数と目的で 4 通りに分岐する。

1. サンプル少 (n < 10000) + 可視化目的? Yes → t-SNE。 perplexity=30 が標準
2. サンプル多 (n > 100000)? Yes → UMAP。 t-SNE は O(n²) で遅い
3. 大域構造を保ちたい (距離の意味を保持)? Yes → PCA や UMAP。 t-SNE は局所重視で大域は歪む
4. 新規データの埋め込みを再利用? Yes → UMAP や AE。 t-SNE は再投影不可

SSDSE-B-2026 の 47 県の小さなデータなら t-SNE で十分。 ただし、 「神奈川と東京の距離 = 沖縄と北海道の距離」が真の意味で同じとは限らない (t-SNE は局所のみ正確) ため、 必ず元の高次元データで再確認する。

🧭 解説深化 — 埋め込みを「眺める」から「検証する」へ

本ページの他セクションは「t-SNE をどう使うか」を扱いました。 この深化セクションは一歩進んで、 出来上がった 2D 図が信用に足るかを数値で検証する視点を扱います。 t-SNE の唯一の約束は「高次元での近傍関係の保存」なので、 その約束が守られたかは 自分で測って確かめられるのです。

💭 直感 — 図を信じる前に「答え合わせ」ができる

t-SNE は「友達同士を近くの席にする席替え」です。 席替え後の教室（2D 図）を見て「A 班と B 班が離れている」と語る前に、 そもそも誰と誰が友達だったか（高次元空間での最近傍）を先に確認しておけば、 図の妥当性を自力で判定できます。 実際に SSDSE-B-2026 の 2023 年・47 都道府県について、 ヘッダで意味を確認済みの 6 指標（A1101 総人口・A1303 65歳以上人口・A4103 合計特殊出生率・B4101 年平均気温・C5401 住宅地標準価格・L3221 消費支出）を標準化し、 ユークリッド距離で最近傍 3 県を計算した実測結果が次の表です。

注目すべきは距離の桁の違いです。 鳥取県は最近傍の福井県まで 0.36 と密集地帯にいる一方、 東京都は最も近い神奈川県ですら 4.39。 つまり東京都は標準化 6 次元空間で 孤立点であり、 t-SNE 図で東京都がどのクラスタの「そば」に描かれても、 その近接は高次元では裏付けがない、 と図を見る前から判断できます。 これが「高次元側の答えを先に持っておく」検証の威力です。 なお 2023 年の合計特殊出生率（A4103）は最小 0.99（東京都）〜最大 1.60（沖縄県）で、 この 1 変数だけでも東京都の外れ具合が現れています。

⚠️ 落とし穴（重要） — 検証まわりで起きる 3 つの誤り

（1）KL 損失を perplexity 間で比較してしまう。 「KL が小さい perplexity が最良」と考えたくなりますが、 これは誤りです。 perplexity を変えると 目標分布 $P$ 自体が変わるため、 異なる perplexity の KL 値は「別の試験の点数」であり比較できません。 上記 6 指標・47 都道府県での実測（scikit-learn 1.9.0、 random_state=42、 init='pca'。 乱数・版数依存のため参考値）：

KL は perplexity=30 で最小に見えますが、 これは目標が緩くなった結果でもあります。 比較には KL ではなく、 スケールが共通の trustworthiness や kNN 保存率（下の発展を参照）を使います。 また kNN 保存率が 0.66〜0.71 に留まる点も重要な事実で、 「n=47 のような小データでも、 最近傍 5 件のうち約 3 割は 2D 図で入れ替わる」ことを意味します。 図上の「隣どうし」を根拠に議論するときは、 この誤差を織り込む必要があります。

（2）n より大きい perplexity を指定する。 47 都道府県データに perplexity=50 を与えると、 scikit-learn 1.9.0 では実測で ValueError: perplexity (50) must be less than n_samples (47) が送出されます（古い版では警告のみで通ることがあり、 結果は無意味）。 小標本では perplexity の上限が構造的に決まる、 という点は見落とされがちです。

（3）「クラスタが見えた＝構造がある」と即断する。 t-SNE は完全な無相関ノイズに対しても、 perplexity が小さいと塊状の模様を作り出すことが知られています（Distill "How to Use t-SNE Effectively" が示した現象）。 対策は本物のデータで検証手続きを持つこと：列を個別にシャッフルして相関を壊した「壊しデータ」で同じ t-SNE を実行し、 本物と同程度に綺麗なクラスタが出るなら、 その見た目は構造の証拠になりません（この比較実験は演習として推奨。 実行結果は各自の環境で確認してください）。

🚀 発展 — 埋め込み品質の定量指標と統一理論

• trustworthiness：sklearn.manifold.trustworthiness(X, Y, n_neighbors=k) で計算できる 0〜1 の指標。 「2D 図で近傍に 侵入してきた偽物」の量をペナルティ化します。 1 に近いほど「図で近い＝元でも近い」が成立。 逆方向（元で近いのに図で離れた「脱落」）を測る continuity と対で使うと網羅的です。
• kNN 保存率：高次元と 2D それぞれで各点の最近傍 k 件を求め、 集合の重なり率を平均するだけの素朴な指標。 実装が数行で済み、 レポートで「この図の近傍は◯割正しい」と主張する根拠になります（上表の 0.660〜0.711 がその実例）。
• 引力・斥力スペクトラム：Böhm らの研究（JMLR 2022）は、 t-SNE・UMAP・ForceAtlas2 などが「点間の引力と斥力のバランス」という 1 本の軸上に並ぶことを示しました。 引力を強めると UMAP 的（連続構造・大域重視）、 斥力を強めると t-SNE 的（クラスタ分離重視）な図になります。 手法の対立ではなく 連続的なつまみとして理解すると見通しが良くなります。
• 標本外投影の工夫：t-SNE 本体に transform() はありませんが、 parametric t-SNE（ニューラルネットで埋め込み関数自体を学習）や openTSNE の補間ベース投影を使うと、 新しい点を既存の地図に「後から載せる」ことができます。 検証指標と組み合わせれば、 投影の劣化も定量評価できます。

🔗 関連ページ

• 主成分分析（PCA） — 線形の対照手法。 t-SNE の前処理・初期化にも登場
• UMAP — 引力・斥力スペクトラム上の隣人。 標本外投影が可能
• 標準化 — 本セクションの最近傍計算でも必須だった前処理
• 距離 — 「高次元側の答え合わせ」の土台となる概念
• 次元削減 — 手法ファミリー全体の見取り図
• クラスタリング / k-means / DBSCAN / 階層的クラスタリング — 埋め込み後の下流工程
• コサイン類似度 — 高次元ベクトルの別の近さの測り方
• KL ダイバージェンス・MDS（多次元尺度法）は本用語集に単独ページがないため、 本ページの数式セクションと関連手法セクションを参照