QR分解とは、行列を直交行列Qと上三角行列Rの積に分解する線形代数の手法です。数値的な安定性が高く、機械学習やデータ分析における最小二乗法や線形回帰のパラメータ計算において、行列の逆行列を直接求めて生じる誤差を防ぐ目的で広く用いられます。計算の正確性と効率を両立する重要な基礎技術です。
QR分解とは
QR分解を一言でいうと、与えられた行列を直交行列と上三角行列の積へと変換する行列分解手法です。
詳しく解説
QR分解は、行列Aを直交行列Qと上三角行列Rの積（A = QR）に分解します。AIや機械学習の領域では、線形回帰などで用いられる最小二乗法の計算において重要な役割を果たします。通常の正規方程式を解くアプローチでは、行列の逆行列を直接計算するため桁落ちなどの数値的不安定性が発生しやすくなります。QR分解を利用すると、逆行列を直接計算せずに連立一次方程式を効率的かつ安定して解くことができます。具体的な計算手法にはグラム・シュミットの正規化やハウスホルダー変換などが存在します。
具体例・使われ方
例えば、大量のデータから最適な予測線をフィッティングする線形回帰のモデル訓練において、最小二乗法を計算する際にQR分解が使用されます。数値計算ライブラリの内部でQR分解を実行することにより、データのスケールに起因する計算誤差を抑え、正確な重みパラメータを求めることができます。
似た用語との違い
QR分解と混同されやすい概念に特異値分解やLU分解があります。LU分解は行列を下三角行列と上三角行列に分解しますが、直交行列を用いないため数値的安定性ではQR分解に劣る場合があります。一方、特異値分解は二つの直交行列と対角行列に分解する手法であり、次元削減などより複雑な解析に使われますが、計算コストはQR分解よりも高くなります。
注意点
QR分解は数値的に安定しているものの、対象とする行列のサイズが非常に大きい場合は計算コストやメモリ使用量が増大します。また、入力行列の列が線形従属に近い場合、グラム・シュミットの正規化のような単純な手法では誤差が大きくなるため、ピボット選択付きQR分解やハウスホルダー変換といった適切な計算手法を選択する必要があります。