SciPyやNumPyで線形代数の計算をしていると、突然「LinAlgError: Singular matrix」というエラーに遭遇して、「うわ、またこれか…」と頭を抱えること、ありますよね？ 特に、機械学習モデルの訓練中や統計解析で逆行列を求める際など、まさに計算の核心部分でこのエラーが出ると、本当に困ります。データの前処理段階で気づけばいいものの、肝心なところで止まってしまうと、もう嫌になりますよね。
結論から言うと、このエラーの主な原因は、あなたの扱っている行列が「特異行列（Singular matrix）」であることにあります。つまり、その行列には逆行列が存在しない、あるいは数値的に不安定な状態にあるということです。そして、その根本原因の多くは「データの多重共線性」や「非常に小さい値、丸め誤差」にあります。解決策の要点は、データの性質を見直し、必要に応じて摂動（微小なノイズ）を加えることで、行列の安定性を確保することです。さあ、一緒にこの厄介なエラーを乗り越えていきましょう！
目次
1. エラーコード SciPy/NumPy: LinAlgError: Singular matrix とは？（概要と緊急度）
このエラーメッセージ、見た目はシンプルですが、線形代数の世界では結構深刻な問題を示しています。
LinAlgError: Singular matrix は、その名の通り「特異行列（Singular matrix）」が原因で発生するエラーです。特異行列とは、簡単に言うと逆行列が存在しない行列のこと。逆行列は、線形方程式を解いたり、最小二乗法で最適なパラメータを推定したりする上で非常に重要な役割を果たします。これがないと、多くの線形代数計算が破綻してしまうんです。
具体的には、以下のような状況でこのエラーは発生しやすいです。
- 線形システムの連立方程式を解こうとしたとき
- 回帰分析などで逆行列計算を伴うとき（例: 最小二乗法）
- 行列の分解（例: LU分解）がうまくいかないとき
- 共分散行列の逆行列を求めようとしたとき
このエラーが発生すると、基本的にはそれ以上の計算を続行できません。まるで車のエンジンが停止してしまったようなもの。あなたのプログラムやモデル構築が途中で止まってしまうため、速やかな対処が必須です。放置すると、その後の分析や開発が一切進まなくなってしまいますよ。
2. 最速の解決策 3選
「早く動かしたいんだ！」というあなたの気持ち、痛いほどわかります。まずは、手っ取り早く試せる解決策を3つご紹介します。上から順に試してみてくださいね。
2.1. データの多重共線性を解消する（真っ先に確認すべき最重要ポイント！）
これが「特異行列」の最も一般的な原因であり、かつ最も根本的な解決策です。多重共線性とは、データセット内の説明変数（特徴量）の間に非常に強い相関がある状態を指します。例えば、「部屋の広さ（平方メートル）」と「部屋の広さ（坪）」のように、実質的に同じ情報を異なる単位で持っている場合などがこれにあたります。
- 冗長な特徴量の特定と削除: まずは、特徴量間の相関係数を計算してみましょう。
df.corr()などで簡単に確認できます。相関係数が0.9以上の非常に高い値を示すペアがあれば、どちらか一方を削除することを検討してください。 - 次元削減手法の利用: 主成分分析（PCA）などの次元削減手法を適用して、相関の低い新たな特徴量に変換することも有効です。これにより、データの本質的な情報を保ちつつ、冗長性を排除できます。
多重共線性の解消は、単にエラーを回避するだけでなく、モデルの解釈性や汎化性能にも大きく影響します。安易な特徴量選択は避け、ドメイン知識も活用しながら慎重に進めましょう。
2.2. 微小な摂動（ノイズ）を加える（L2正則化の考え方）
行列が「ほぼ特異」な状態、つまり決定式（determinant）が0に近いが完全に0ではない場合、数値的な不安定さが問題になることがあります。このような場合、行列の対角成分に非常に小さな正の値を加えることで、行列を非特異にすることができます。これは、リッジ回帰におけるL2正則化と似た考え方です。
例えば、Aという行列があったとして、以下のように処理します。（PythonのNumPyを想定）
import numpy as np
# 元の行列（Aが特異行列、またはそれに近い場合）
A = np.array([[1, 1], [1, 1.0000000001]])
# 微小な正の値（ラムダ）を設定
epsilon = 1e-8
# 単位行列にepsilonを乗じてAに加える
A_stabilized = A + epsilon * np.eye(A.shape[0])
# これでA_stabilizedの逆行列を計算してみる
# try:
# A_inv = np.linalg.inv(A_stabilized)
# print("逆行列計算成功！")
# except np.linalg.LinAlgError:
# print("まだ特異行列...")
この方法は、元のデータが本質的に特異ではないが、浮動小数点数の丸め誤差やごくわずかなデータの問題で不安定になっている場合に特に効果的です。ただし、
epsilonの値が大きすぎると元のデータが持つ情報が歪められる可能性があるので、非常に小さな値から試してみてください。2.3. 数値的な安定性を向上させる（データスケーリング）
データセット内の数値のスケール（大きさ）が極端に異なると、浮動小数点数の計算で丸め誤差が蓄積し、結果として行列が特異に見えることがあります。特に、非常に大きな値と非常に小さな値が混在する場合に起こりやすいです。
- 標準化（Standardization）: データを平均0、標準偏差1になるように変換します。
sklearn.preprocessing.StandardScalerが便利です。 - 正規化（Normalization）: データを0から1の範囲にスケーリングします。
sklearn.preprocessing.MinMaxScalerが使えます。
これらの前処理を行うことで、数値計算の安定性が向上し、Singular matrixエラーが解消されることがあります。
3. エラーの根本原因と再発防止策
一時的な対処も大事ですが、同じエラーに何度も悩まされないためには、根本原因を理解し、再発防止策を講じることが重要です。ベテランエンジニアとしての経験から、よくある根本原因と対策をお伝えします。
3.1. データの多重共線性（再確認！）
先ほども触れましたが、やはりこれが最も大きな原因です。特徴量同士が高い相関を持つということは、情報として冗長であるだけでなく、線形代数の計算においては「自由度がない」状態を生み出します。行列のランク（階数）が落ち、逆行列が計算できなくなります。
データ収集や特徴量エンジニアリングの段階で、特徴量間の相関を常に意識する癖をつけましょう。新しい特徴量を加える際には、既存の特徴量との関連性を確認するルーティンを取り入れるべきです。相関行列のヒートマップ作成は必須の分析作業と心得てください。
3.2. 数値的な不安定性（浮動小数点数の限界）
コンピュータが扱う浮動小数点数には精度に限界があります。そのため、数学的には特異ではない行列でも、計算の過程で微細な丸め誤差が蓄積し、数値的に特異行列と判断されてしまうことがあります。
- データのスケール: 上記で述べたように、データのスケールが非常に大きい、または小さい場合に発生しがちです。
- ごくわずかな情報の違い: ほぼ同じ値が並んだ場合、例えば
[1.0, 1.0000000000000001]のような場合でも、計算によっては特異とみなされることがあります。
【再発防止策】
常にデータの前処理（スケーリング、正規化）を習慣化し、数値計算の安定性を高めるようにしましょう。特に、線形代数演算を行う前には意識的にデータをチェックするべきです。また、ライブラリによっては、特異行列に近い場合でも安定した計算を試みるオプション（例: rcondパラメータ）が提供されていることがあるので、ドキュメントを確認するのも良い方法です。
3.3. 行列の構造そのものに起因する問題
ごく稀にですが、そもそも扱っている行列の構造が線形代数的に解けない形になっていることがあります。例えば、観測数よりも特徴量が多い「過少決定システム（underdetermined system）」や、行列の行や列が線形従属である場合などです。
【再発防止策】
この場合は、データやアルゴリズムの問題というより、問題設定そのものを見直す必要があります。本当にその情報量で解決したい問題が解けるのか？ 適切なアルゴリズムやモデルを選択しているか？ といった、より上位レイヤーの問いかけが必要になります。時には、より多くのデータを収集したり、問題の定義をシンプルにしたりすることも有効です。
4. まとめ
LinAlgError: Singular matrixは、データ分析や機械学習の現場で多くのエンジニアが一度は遭遇する「あるある」エラーです。決してあなた一人だけが直面している問題ではありません。しかし、その根本原因を理解し、適切な対処法を知っていれば、恐れることはありません。
- 最優先: データに多重共線性がないか確認し、冗長な特徴量を削除または次元削減する。
- 次点: 行列の対角成分に微小な摂動（
epsilon * np.eye()）を加えて安定化を試みる。 - 基盤強化: データのスケーリング（標準化・正規化）を行い、数値計算の安定性を高める。
- 根本原因の深掘り: 問題設定やデータ収集プロセス自体に問題がないかを見直す。
焦らず、一つずつ原因を探り、解決策を試してみてください。これらのアプローチを身につければ、あなたはもうSingular matrixエラーのベテラン対処人！ 次に同じエラーに出会ったときは、「ふむ、また来たか」と落ち着いて対応できるはずです。頑張ってください！
“`