【G検定まとめ2026】8.教師なし学習

1. 教師なし学習には、特徴量のみが必要であることを理解する

機械学習には多様な手法が存在しますが、教師なし学習は特有の性質を持つ手法です。教師なし学習の最も顕著な特徴は、入力データのみを用いて学習を行う点にあります。教師あり学習では、入力データとそれに対応する正解ラベルのペアを使って学習を進めますが、教師なし学習では正解ラベルは不要です。代わりに、入力データの特徴量だけを利用します。つまり、データそのものが内包する構造や特徴を見出すことが教師なし学習の目的となります。この特性を活かした教師なし学習の代表的な応用例として、データのグループ分けと、データ間の関係性の発見があります。データのグループ分けでは、類似した特徴を持つデータをまとめることで、データ全体の構造を把握します。例えば、オンラインショッピングサイトの購買データを分析して、顧客層を識別することができます。データ間の関係性の発見では、入力データの各項目間にある関連性を見つけ出します。これにより、複雑なデータセットの中から重要な特徴や傾向を抽出することが可能になります。教師なし学習の具体的な手法としては、k-means法やウォード法などのクラスタリング手法、主成分分析（PCA）による次元削減、トピックモデルによる文書分類などがあります。これらの手法は、与えられたデータの中から自動的にパターンや構造を見出すため、事前に正解ラベルを用意する必要がありません。教師なし学習は、正解が明確でない問題や、大量のデータから新しい知見を得たい場合に特に効果的です。ただし、得られた結果の解釈や評価には専門知識が必要となる場合が多いため、適切な活用には慎重さが求められます。

2. 教師なし学習における、分析対象に応じた問題の種類を列挙・説明できる

クラスタリング

クラスタリングは、データを複数のグループ（クラスタ）に分類する手法です。この方法は、データの全体的な構造を理解するのに役立ちます。例えば、オンラインショップの売上データを分析して顧客層を把握する際に利用できます。代表的な手法には、k-means法やウォード法があります。k-means法は、データを指定した数のクラスタに分類します。一方、ウォード法は階層的なクラスタリングを行い、データの類似度に基づいてグループを形成していきます。

主成分分析

主成分分析（PCA）は、データが持つ多数の特徴量から、相関のない少数の特徴量を抽出する手法です。この方法を使うと、データの次元を削減し、複雑なデータセットの本質的な構造を把握できます。例えば、多くの項目を含むアンケート結果を分析する際に主成分分析を使うと、回答者の傾向を少数の要因で説明できるようになります。これにより、データの解釈がしやすくなり、その後の分析や可視化が容易になります。

トピックモデル

トピックモデルは、文書データを対象とした分析手法です。この手法では、文書集合から潜在的なトピックを抽出し、各文書がどのトピックに関連しているかを確率的に表現します。代表的な手法に潜在的ディリクレ配分法（LDA）があります。LDAを使用すると、大量の文書データから自動的にトピックを抽出し、各文書がそれぞれのトピックにどの程度関連しているかを分析できます。この手法は、ニュース記事の分類や文書推薦システムの構築などに応用されています。

協調フィルタリング

協調フィルタリングは、ユーザーの行動パターンや好みを分析し、類似したユーザーの情報を基に推薦を行う手法です。この方法は、オンラインショップやコンテンツ配信サービスでよく使用されています。例えば、ある商品を購入したユーザーが他にどのような商品を購入しているかを分析し、類似した購買パターンを持つユーザーに対して商品を推薦します。これにより、ユーザーの興味に合った商品やコンテンツを効果的に提案することができます。

3. 代表的な教師なし学習モデルの基本概念を理解する

クラスタリング

クラスタリングは、データを複数のグループ（クラスタ）に分類する手法です。代表的な手法として、k-means法と階層型クラスタリングがあります。k-means法では、まず任意にk個の中心点を設定し、各データ点を最も近い中心点に割り当てます。

その後、割り当てられたデータ点の平均を取って新しい中心点を計算し、この過程を繰り返します。これにより、類似したデータがグループ化されていきます。階層型クラスタリングには、ウォード法や最短距離法などがあります。

これらはデータ間の距離に基づいてクラスタを形成します。例えば、最短距離法では、最も近い2つのデータ（またはクラスタ）を順次結合していきます。この過程は樹形図（デンドログラム）で表現され、クラスタを区切る段階によって、異なる粒度の結果が得られます。

主成分分析

主成分分析（PCA）は、データの特徴量間の関係性を分析する手法で、多数の特徴量を持つデータを扱う際に特に有用です。

PCAの主な目的は、相関のある多数の特徴量から、相関のない少数の特徴量へと次元を削減することです。

この手法を使用することで、データの分析が容易になり、教師あり学習の入力として用いる際の計算量を減らすことができます。また、データの次元を2次元や3次元に削減することで、データの可視化も可能になります。

協調フィルタリング

協調フィルタリングは、主にレコメンデーションシステムで使用される手法です。この手法は、「類似したユーザーは類似した好みを持つ」という考え方に基づいています。例えば、ECサイトで「この商品を購入した人はこのような商品も購入しています」という推薦を行う際に使用されます。具体的には、ユーザー間の類似度を定義し、類似度の高いユーザーが購入した商品を推薦します。ただし、この手法にはコールドスタート問題という課題があります。これは、新しいユーザーや商品に対して十分なデータがない場合、適切な推薦ができないという問題です。

トピックモデル

トピックモデルは、文書データを分析する際によく用いられる手法です。代表的なものに潜在的ディリクレ配分法（LDA）があります。このモデルでは、各文書が複数の潜在的なトピックから確率的に生成されると仮定します。LDAを使用することで、大量の文書から自動的にトピックを抽出し、各文書がどのトピックに関連しているかを推定することができます。これにより、文書の分類や要約、類似文書の検索などが可能になります。

4. 目的やデータの特性・量に応じて、適切な教師なし学習モデルを選択できる

クラスタリングは、データをグループに分類する手法の一つです。その中でも、k-means法は広く使われています。この手法では、データをk個のグループに分けることを目指します。まず、データをランダムにk個のクラスタに割り当てます。次に、各クラスタの中心を計算し、データ点を最も近い中心を持つクラスタに再度割り当てます。この過程を繰り返し、クラスタの中心がほとんど動かなくなるまで続けます。k-means法は理解しやすい手法ですが、クラスタの数kを事前に決める必要があります。一方、階層的クラスタリングは、クラスタの階層構造を明らかにする手法です。ウォード法や最短距離法などがよく知られています。これらの手法は、データ間の距離を基にしてクラスタを形成していきます。結果は樹形図（デンドログラム）で表現され、データの構造を視覚的に理解するのに役立ちます。データの特徴量が多い場合、次元削減を行うと分析がしやすくなります。主成分分析（PCA）は、多数の相関のある特徴量から、少数の相関のない特徴量へと変換する手法です。PCAを使うと、データの本質的な構造を保ちながら、扱いやすい形に変えることができます。また、t-SNEは高次元データを2次元や3次元に落とし込んで可視化する際によく用いられます。文書データを扱う際には、トピックモデルが有効です。代表的な手法に潜在的ディリクレ配分法（LDA）があります。LDAは、各文書が複数の潜在的なトピックから生成されると仮定し、文書集合の中に隠れているトピックを抽出します。この手法は文書の分類だけでなく、ECサイトでの商品推薦システムにも応用できます。ユーザーの行動履歴を「文書」、商品を「単語」と見なすことで、ユーザーの好みを表す「トピック」を抽出し、それに基づいて商品を提案することができます。教師なし学習モデルを選ぶ際は、データの性質や解決したい問題に応じて適切な手法を選ぶことが大切です。データをグループ分けしたい場合はクラスタリング手法、データの次元を減らしたい場合は主成分分析、文書データから潜在的なテーマを抽出したい場合はトピックモデルを選ぶといった具合です。また、選んだモデルの評価も重要です。教師なし学習では正解ラベルがないため、評価が難しい面がありますが、クラスタリングの場合はシルエット分析、主成分分析の場合は寄与率といった指標を用いて評価することができます。

5. ビジネスにおける教師なし学習の応用例を説明できる

顧客セグメンテーション

ECサイトの売上データを分析することで、様々な顧客層を識別できます。この手法では、購買行動や好みが似ている顧客グループを見つけ出すことができます。例えば、高額商品をよく購入する顧客グループ、セール品を中心に購入する顧客グループ、特定のカテゴリの商品を好む顧客グループなどを特定できます。こうした情報は、マーケティング戦略の立案やターゲット広告の配信に非常に有効です。

データ間の関係性把握

教師なし学習は、入力データの各項目間にある関係性を把握するのにも効果的です。複雑なデータセットの中から意味のあるパターンや構造を見出すことができます。例えば、企業の財務データを分析する際に、売上高、利益率、負債比率などの様々な指標間の関連性を明らかにすることができます。このような分析は、経営判断や投資決定の際の重要な指針となります。

異常検知

製造業やIT業界では、教師なし学習を用いた異常検知が広く活用されています。通常の動作パターンを学習し、そこから外れる挙動を検出することで、機器の故障や不正アクセスなどを早期に発見できます。例えば、工場の生産ラインでは、センサーデータの分析により通常とは異なる動作を検知し、製品の品質管理や設備のメンテナンスに活用できます。また、ネットワークセキュリティの分野では、通常のトラフィックパターンから外れる通信を検出し、サイバー攻撃の予兆を把握することができます。

レコメンデーションシステム

多くのECサイトやコンテンツプラットフォームで利用されているレコメンデーションシステムにも、教師なし学習の手法が応用されています。協調フィルタリングと呼ばれる技術がその代表例です。この手法は、「対象ユーザーは購入していないが、似た嗜好を持つユーザーが購入している商品を推薦する」という考え方に基づいています。ユーザー間の類似度を定義し、類似度の高いユーザーが購入した商品を推薦することで、個々のユーザーに合わせた効果的な商品提案が可能になります。

トピックモデリング

文書データの分析にも教師なし学習が活用されています。トピックモデリングと呼ばれる手法を用いることで、大量の文書データから潜在的なテーマやトピックを抽出することができます。例えば、企業の顧客レビューや問い合わせデータを分析し、よく言及されるトピックや課題を自動的に抽出することができます。これにより、製品改善の方向性や顧客サービスの強化ポイントを効率的に把握することが可能になります。

---

キーワード解説

k-means法

階層なしクラスタリングの一種であり、クラスタの平均を用いて、与えられたクラスタ数をk個に分類する。k個のkは自分で設定する。k-means法を用いた分析のことをクラスタ分析といい、データセット内の類似性に基づいてグループ化することが目的となる。この手法は、データの特徴を捉えることで意味のあるカテゴリ分けを行い、データ解析において有用な情報を得ることができる。

t-SNE

高次元データを2次元又は3次元に変換して可視化するための次元削減アルゴリズム。高次元での距離分布が低次元での距離分布にもできるだけ合致するように変換する。高次元の局所的な構造を非常によく捉える、大局的な構造も可能な限り捉えるといった特徴がある。t-SNEのtはt分布のtである。

ウォード法

階層ありクラスタリングの一つで、データセットの階層構造を求めることを目的とする。k-means法からさらに、クラスタの階層構造を求めるまで行う手法。最も距離が近い2つのデータ（クラスタ）を選び、それらを1つのクラスタにまとめる処理を繰り返していく。クラスタリングのまとまりを表した樹形図のことをデンドログラム（dendrogram）という。

協調フィルタリング

レコメンデーション（recommendation）に用いられる手法のひとつであり、レコメンドシステム（推薦システム）に用いられる。ECサイトで表示される「この商品を買った人はこんな商品も買っています」の裏側には協調フィルタリングが用いられている。協調フィルタリングは事前にある程度の参考となるデータがないと推薦を行うことができない（コールドスタート問題（cold start problem））。ユーザーではなく商品側に何かしらの特徴量を付与し、特徴が似ている商品を推薦する方法をコンテンツベースフィルタリング（content-based filtering）という。対象ユーザーのデータさえあれば推薦を行うことができるのでコールドスタート問題を回避することができるが、反対に他のユーザー情報を参照することができない。

クラスタリング

機械学習における教師なし学習の1種で、データ間の類似度にもとづいてデータをグループ分けする手法。似たような特徴を持つデータ同士が同じクラスタに属するように、データが分割される。クラスタリングの目的は、データセット内の潜在的な構造や関係性を発見し、データの理解を深めることである。クラスタリングにはさまざまなアルゴリズムが存在し、それぞれ異なるアプローチでデータのグループ化を行う。代表的なクラスタリング手法には、階層的クラスタリング、K-meansクラスタリングなどがある。これらの手法は、データの形状や密度、特徴の重要性などに応じて、適切なクラスタリング結果を得ることができる。

コールドスタート問題

レコメンデーション（recommendation）に用いられる手法のひとつであり、レコメンドシステム（推薦システム）に用いられる。ECサイトで表示される「この商品を買った人はこんな商品も買っています」の裏側には協調フィルタリングが用いられている。協調フィルタリングは事前にある程度の参考となるデータがないと推薦を行うことができない。

コンテンツベースフィルタリング

ユーザーではなく商品側に何かしらの特徴量を付与し、特徴が似ている商品を推薦する方法をコンテンツベースフィルタリング（content-based filtering）という。対象ユーザーのデータさえあれば推薦を行うことができるのでコールドスタート問題を回避することができるが、反対に他のユーザー情報を参照することができない。

次元削減

多次元からなる情報をその意味を保ったまま、それより少ない次元の情報に落とし込むこと。これは、データの特徴を抽出し、情報の本質を理解しやすい形に変換することで、データ分析や機械学習の効率を向上させることが可能となる。また、次元削減はデータの可視化にも役立ち、高次元データを2次元や3次元のグラフにプロットすることで、データの傾向やクラスタリングを視覚的に捉えることができる。次元削減には主成分分析（PCA）やt-分布確率近傍埋め込み法（t-SNE）などの手法があり、それぞれ異なるアプローチで次元削減を実現する。主成分分析は、データの分散が最大となる方向を見つけることで次元を削減し、t-SNEは高次元空間のデータの近さを確率分布で表現し、それを低次元空間に再現することで次元削減を行う。

主成分分析

データの特徴量間の関係性、相関を分析しデータの構造をつかむ手法。特に特徴量の数が多い場合に用いられ、相関をもつ多数の特徴量から相関のない少数の特徴量へと次元削減することが主たる目的。ここで得られる少数の特徴量を主成分という。線形な次元削減であり、計算量の削減ができ次元の呪いの回避が可能となる。寄与率を調べれば各成分の重要度が把握でき、主成分を調べれば各成分の意味を推測しデータの可視化が可能となる。主成分分析以外には、特異値分解（Singular Value Decomposition、SVD）、多次元尺度構成法（Multi-Dimensional Scaling、MDS）がよく用いられる。可視化によく用いられる次元圧縮の手法は、t-SNE（t-distributed Stochastic Neighbor Embedding）がある。t-SNEのtはt分布のtである。

潜在的ディリクレ配分法

教師なし機械学習の手法であるLDA（Latent Dirichlet Allocation）は、文中の単語から、トピックを推定する教師なし機械学習の手法。ディリクレ分布という確率分布を用いて、各単語から隠れたあるトピックから生成されているものとしてそのトピックを推定する。この方法により、複数の文書に共通するトピックを発見し、それぞれの文書がどのトピックに関連しているかを特定することが可能となる。また、LDAは教師なし学習であるため、事前にラベル付けされたデータが必要なく、大量のテキストデータから自動的にトピックを抽出することができる。

多次元尺度構成法

多変量解析の一手法。主成分分析の様に分類対象物の関係を低次元空間における点の布置で表現する手法である。主成分分析と同様に、高次元データをより簡潔に低次元空間に投影し、データ間の関係を可視化することができる。これにより、データの構造やパターンを理解しやすくなる。また、MDSは、類似性や距離の情報を元に、データを最適な形で配置するため、データの比較や解釈が容易に行える。特に、人間の知覚や評価に関するデータの分析において効果的な手法とされる。

デンドログラム

クラスタ分析において、逐次的に標本がグループ化される様子を木の枝のような線で表したもの。デンドログラムは、階層的クラスタリング手法において、データ間の類似性や関連性を視覚的に示すために用いられる。この図は、データポイント間の距離を基に、横軸に標本を並べ、縦軸に類似度を表している。デンドログラムを用いることで、どのデータポイントがどのクラスタに属するか、そして各クラスタ間の関係や階層構造を直感的に把握することができる。また、適切なクラスタ数を決定する際にも役立つ。縦軸の類似度に基づいて適切なカットオフポイントを選択することで、クラスタ数を決定できる。

特異値分解

線形代数学における複素数あるいは実数を成分とする行列に対する行列分解の一手法。行列に対するスペクトル定理の一般化とも考えられ、正方行列に限らず任意の形の行列を分解できる。特異値分解により、与えられた行列を3つの行列の積に分解することができる。この3つの行列は、直行行列、対角行列、そしてもう一つの直行行列で構成されている。分解された行列は、元の行列の特性や構造を保持しており、データ圧縮やノイズ除去などの目的で利用されることがある。主成分分析（PCA）やレコメンデーションシステムの協調フィルタリング、画像圧縮、自然言語処理など、多くのアプリケーションでSVDが使用されている。

トピックモデル

k-means法やウォード法と同様クラスタリングを行うモデル。文章を潜在的な「トピック（単語の出現頻度分布）」から確率的に現れるものと仮定して分析を行う。各トピックの確率分布を推定できれば、傾向や単語の頻度、次にくる文章の予測が可能となる。各文書データ間の類似度を求めることができるため、レコメンドシステム（推薦システム）に用いることができる。データをひとつのクラスタに分類するk-means法などと異なり、トピックモデルは複数のクラスタにデータを分類するのが特徴。トピックモデルの代表的な手法に潜在的ディリクレ配分法（latent Dirichlet allocation、LDA）がある。