PCA

主成分分析（Principal Component Analysis）による次元削減手法。多次元データの情報を保持しながら、より少ない次元で表現することで、データの可視化や計算効率の向上を実現する。

基本原理：
・データの分散を最大化する方向（主成分）を発見
・主成分は元の変数の線形結合として表現
・第1主成分が最大分散、第2主成分が第2位の分散
・主成分間は直交（無相関）

実装手順：
1. データの標準化（スケールの異なる変数がある場合）
2. PCA()でn_componentsパラメータを指定
3. fit()でモデルを学習
4. transform()またはfit_transform()でデータ変換
5. explained_variance_ratio_で寄与率を確認

主要なパラメータ：
・n_components：削減後の次元数
・svd_solver：特異値分解のアルゴリズム
・random_state：再現可能性のためのシード値

実務での活用例：
・顧客セグメンテーションでの特徴量削減
・画像データの圧縮と特徴抽出
・センサーデータの次元削減
・機械学習の前処理として過学習防止
・探索的データ分析での可視化

結果の解釈：
・寄与率：各主成分が説明する分散の割合
・累積寄与率：80-90%を目安に次元数を決定
・主成分負荷量：元変数と主成分の関係

注意点：
・元の変数の解釈可能性が失われる
・外れ値の影響を受けやすい
・線形変換のみ対応（非線形はt-SNEやUMAPを検討）