新着記事一覧

面接

キャリア形成・転職 仕事・キャリア

2026/11/1

【40代の転職】転職面接で実際に聞かれた質問

40代で転職活動をすると、「面接では何を聞かれるんだろう?」と気になりますよね。 私の場合は、国内・海外営業を約14年、その後デジタルマーケティングを約2年経験してからの転職。 デジタルマーケティングの経験は浅く、マネージャー経験なし、時短勤務という状況でした。 実際の面接では、基本的な質問に加えて、40代ならではと感じる質問もありました。 今回は、私が実際に聞かれた質問を紹介します。 40代の転職面接で聞かれた基本的な質問 まず聞かれたのは、転職面接では定番の質問です。 これらは事前に回答を準備しておき ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/24

【40代の転職】40代の転職で書類選考は何社通った?

「40代で転職活動を始めたら、書類選考ってどのくらい通るんだろう?」 40代で転職を考えている人なら、気になるところではないでしょうか。 特に私の場合は、デジタルマーケティングの実務経験が約2年。それまでの約14年は国内営業・海外営業で、デジタルマーケティング一筋のキャリアではありませんでした。 しかも、マネージャー経験はなく、時短勤務を希望。 正直、転職活動を始める前から「40代でこの経歴だと、かなり厳しいかもしれない」と思っていました。 実際に12社に応募して、書類選考を通過したのは2社。ただ、その2 ...

続きを読む

転職エージェント

キャリア形成・転職 仕事・キャリア

2026/10/23

【40代の転職】転職エージェントの選び方

転職活動を始めるとき、利用する人も多い「転職サイト」。 転職サイトに登録していると、様々な転職エージェントからスカウトや連絡があります。 私も今回の転職活動では、複数の転職サイトに登録し、その中でスカウトを送ってくれたいくつかの転職エージェントの担当者と実際に話をしました。 そこで感じたのが、「転職エージェントなら、どこでも同じというわけではない」ということです。 求人の紹介方法も違えば、書類添削や面接対策などのサポート内容も違います。 そして何より、担当者によって熱量や相性がかなり違うと感じました。 今 ...

続きを読む

ポケモン

2026/10/23

【ポケモン】40代母親がポケモンGoにはまった理由

「ポケモンGOって、まだやってるの?」そう思う人もいるかもしれません。 実は私も、一度はポケモンGOをやめています。でも今では……かなりハマっています。しかも、40代の母親です(笑)。 今回は、そんな私がなぜ今さらポケモンGOにハマっているのか、その理由を書いてみたいと思います。 リリース当初からプレイ ポケモンGOがリリースされたのは2016年。私もリリース当初からプレイしていました。 「ポケモンが現実の世界に出てくる!」 というだけで当時はとても新鮮で、歩きながらポケモンを探したり、ポケストップを回し ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/23

【40代の転職】転職するか迷ったとき、私が比較したこと

40歳で転職活動を始めました。ただ、私の場合「会社が嫌だから辞める」という転職ではありませんでした。 16年間働いてきた会社には、良いところがたくさんありました。だからこそ、転職を決めるまでにはかなり悩みました。 「今の会社に残ったほうがいいのでは?」 「それでも、これからのキャリアを考えたら転職したほうがいいのでは?」 何度も行ったり来たりしながら、いろいろな条件を比較しました。 この記事では、40代で転職を考えているけれど、今の会社にも不満がなく、転職するべきか迷っている方に向けて、私が実際に比較した ...

続きを読む

ポケモン

2026/10/20

【ポケモン】ポケモンGo リアルイベントの醍醐味

ポケモンGOのリアルイベントに参加してみて、改めて感じたことがあります。 それは、「ポケモンGOって、こんなに人とつながれるゲームだったんだ!」ということ。 普段もポケモンGOをプレイしていますが、家の近所や通勤途中で遊んでいるときは、一人(もしくは子供と)で黙々とポケモンを捕まえています。 知らない人に話しかけることも、ほとんどありません。 ところが、リアルイベントになると、それがちょっと変わります。 そこには、同じようにポケモンが好きな人が全国、そして世界中から集まっている。 「ポケモンが好き」という ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/20

【40代の転職】転職活動のスケジュールと進め方

海外営業からデジタルマーケティングへキャリアチェンジし、やりたい仕事に手応えを感じていたものの、組織変更によってデジタルマーケティングの仕事そのものがなくなってしまったことが、転職を考える大きなきっかけでした。 今回は、その後の転職活動のスケジュールと、実際にどのように転職活動を進めたのかを書いてみたいと思います。 結果的には、3月に本格的に転職活動を始め、4月に転職先を決定、4月22日を最終出社日として、5月は少しゆっくり過ごし、6月から新しい会社で働き始めました。 これから転職を考えている方の参考にな ...

続きを読む

Python 仕事・キャリア

【Python】カーネル主成分分析の実装

こちらの記事では、カーネル主成分分析の手順についてまとめています。

カーネル主成分分析とは

回帰分析等、機械学習の多くのアルゴリズムは線形分離できるデータが与えられることを前提としていますが、現実的には線形分離できないデータ、つまり非線形分離する必要があるデータがほとんどです。非線形分離する必要があるデータに対処できるのが、カーネル主成分分析(kernel PCA)です。

カーネル主成分分析ではN×M(データの数×特徴の種類)のデータXを、全く新しいN×M'(データの数×特徴の種類)のデータKに作り変えます。
これをカーネルトリックと言います。カーネルトリックを用いると、特徴量が多くなりなり、線形分離させやすくなります。

カーネル主成分分析の実装

カーネル主成分分析は、sklearn.decompositionを使用して実装することができます。

#必要なライブラリをインポートする
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.decomposition import KernelPCA

# 月形データを取得
X, y = make_moons(n_samples=100, random_state=123)

# KernelPCAクラスをインスタンス化
kpca = KernelPCA(n_components=2, kernel="rbf", gamma=15)

# データXをKernelPCAを用いて変換
X_kpca = kpca.fit_transform(X)

# 可視化
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 3))
ax1.scatter(X[y == 0, 0], X[y == 0, 1], c="r")
ax1.scatter(X[y == 1, 0], X[y == 1, 1], c="b")
ax1.set_title("moon_data")
ax2.scatter(X_kpca[y == 0, 0], X_kpca[y == 0, 1], c="r")
ax2.scatter(X_kpca[y == 1, 0], X_kpca[y == 1, 1], c="b")
ax2.set_title("kernel_PCA")
plt.show()

以下、解説です。

#必要なライブラリをインポートする
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.decomposition import KernelPCA

# 月形データを取得
X, y = make_moons(n_samples=100, random_state=123)

必要なライブラリをインポートし、ワインのデータセットを読み込みます。
make_moonsで月型の非線形のデータを読み込みます。

# KernelPCAクラスをインスタンス化
kpca = KernelPCA(n_components=2, kernel="rbf", gamma=15)

# データXをKernelPCAを用いて変換
X_kpca = kpca.fit_transform(X)

KernelPCAクラスを使用してカーネル主成分分析(KernelPCA)を実行しています。これにより、データを高次元空間に写像し、その空間での主成分分析を実行することにより、非線形な構造を持つデータの次元削減を行います。
n_compoments は主成分の数を指定します。ここでは、2つの主成分を抽出するよう設定されています。
kernelでは、使用するカーネル関数を指定しています。ここではRBFカーネルを指定しています。他にも、linear(線形カーネル)やpoly(多項式回帰)等があります。
gammaはRBFカーネルのカーネル係数です。

kpca.fitで元のデータXをカーネルPCAで変換し、2つの主成分に射影されたX_kpcaとして返します。

# 可視化
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 3))
ax1.scatter(X[y == 0, 0], X[y == 0, 1], c="r")
ax1.scatter(X[y == 1, 0], X[y == 1, 1], c="b")
ax1.set_title("moon_data")
ax2.scatter(X_kpca[y == 0, 0], X_kpca[y == 0, 1], c="r")
ax2.scatter(X_kpca[y == 1, 0], X_kpca[y == 1, 1], c="b")
ax2.set_title("kernel_PCA")
plt.show()

元のデータを左に、線形分離後のデータを右に描画していきます。
ax1.scatter(X[y == 0, 0], X[y == 0, 1], c="r")は、クラスラベルが0のデータポイントの1つ目、クラスラベルが0のデータポイントの2つ目の特徴量を抽出し、X軸、Y軸に赤でプロットしています。
ax1.scatter(X[y == 1, 0], X[y == 1, 1], c="b")は、クラスラベルが1のデータポイントの1つ目、クラスラベルが1のデータポイントの2つ目の特徴量を抽出し、X軸、Y軸に青でプロットしています。
同様にカーネル主成分分析を行って変換したデータもプロットしていきます。

これにより、元のデータとカーネルPCAによって変換されたデータの比較が行われ、非線形なデータの構造がどのように変換されたかが可視化されます。

  • この記事を書いた人

Haru

会社員。育休2回取得、40代で転職。
職種はデジタルマーケティング。
ポケモン、スノボ、IT系の学び、キャリア、育児について発信していきます。

-Python, 仕事・キャリア
-, ,