↑: [[G検定に関する知識]] - データの次元（特徴量の数）が増えるほど必要なデータ量や計算量が指数関数的に増大する問題 - [[グリッドサーチ]]：パラメータ次元が増えると組み合わせが爆発する - k近傍法など距離ベースの手法も高次元で機能しにくくなる - 本質は**必要サンプル数の指数的増大とデータの希薄化（スパース化）**。計算時間の線形増加・過学習・勾配消失とは別概念 ← ひっかけ - 高次元では任意の2点間距離が均一化し、k近傍法やクラスタリングなど距離ベース手法が機能しにくくなる - 対処：PCA・オートエンコーダによる次元削減、特徴選択、正則化 - リチャード・ベルマン（Richard Bellman）が命名 - 高次元空間ではデータが非常に疎（まばら）になり、学習が困難になる - cf. [[特徴量エンジニアリング]], [[機械学習]]