【G検定】クラスタリングとは？教師なし学習でデータをグループ分けする仕組みを解説

正解ラベルのないデータを「似たもの同士」のグループに自動で分ける——それがクラスタリングです。教師なし学習の代表格であり、G検定でも定義や関連手法が繰り返し問われる重要キーワードです。この記事で仕組みと周辺用語をまとめて理解しましょう。

📖 ひと言でいうと

クラスタリングとは、データ間の類似度にもとづいて、似ているデータ同士が同じグループ（クラスタ）になるようにデータを分割する教師なし学習の手法です。あらかじめ「正解のグループ名」を与えずに、データ自身の特徴からグループを見つけ出す点が最大の特徴です。

身近な例えでいえば、ジャンル表示のない大量の本を、中身を見ながら「似た内容の本の山」に分けていく作業に似ています。「小説」「料理本」といったラベルを先に決めるのではなく、分け終わったあとに山を眺めて「この山は料理の本だな」と意味づけする——この順番こそがクラスタリングの発想です。

🖼 1枚でわかるクラスタリング

クラスタリング＝ラベルなしデータの自動グループ分け

教師なし学習の代表手法 — 正解ラベルなしでデータをグループ分けする
物差しは類似度 — 似た特徴を持つデータ同士が同じクラスタに入る
目的はデータ理解 — 潜在的な構造や関係性を発見する
代表手法は2系統 — 階層的クラスタリングと、k-means法などの非階層的手法
「分類」との違いが頻出 — 分類は教師あり、クラスタリングは教師なし

つくもち屋「G検定対策」SUMMARY

📘 公式テキストの説明

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。

ポイントは3つに絞れます。①教師なし学習である（正解ラベルを使わない）、②グループ分けの基準は「類似度」である、③目的は予測そのものではなく「データに潜む構造の発見」である、という点です。

また、代表的な手法として「階層的クラスタリング」と「K-meansクラスタリング」の2つが名指しされていることにも注目してください。試験では、この2系統のどちらの話をしているのかを見分けさせる問題がよく出ます。

🔍 しっかり理解する

「教師なし」でグループ分けするとはどういうことか

教師あり学習の「分類」では、「この画像は犬」「この画像は猫」のように正解ラベル付きのデータでモデルを学習させます。一方、クラスタリングに正解ラベルはありません。データが持つ特徴の近さだけを手がかりに、アルゴリズムが自動でグループを作ります。

そのため、できあがったクラスタには「犬」「猫」のような名前は付いていません。たとえば顧客データを3つのクラスタに分けたあと、それぞれの中身を人間が確認して「まとめ買い層」「セール狙い層」と意味づけする、という流れになります。グループを見つけるのは機械、意味を与えるのは人間、という役割分担を押さえておきましょう。

類似度と距離という物差し

「似ている・似ていない」を機械が扱うには、数値で測れる物差しが必要です。よく使われるのは、特徴量を座標軸とした空間にデータを点として配置し、点と点の距離（ユークリッド距離など）で近さを測る方法です。距離が近いほど「似ている」とみなし、近い点同士を同じクラスタにまとめます。

このとき、特徴量ごとに単位やスケールが大きく異なると距離が歪んでしまいます。たとえば「年齢（数十のオーダー）」と「年収（数百万のオーダー）」をそのまま使うと、年収の差ばかりが距離に効いてしまうため、実務では標準化などの前処理を行ってからクラスタリングするのが一般的です。

代表的な2つのアプローチ

公式テキストが挙げるとおり、クラスタリング手法は大きく「階層的」と「非階層的」の2系統に分けられます。

🅰 階層的クラスタリング

近いデータ同士を段階的に併合していく
併合の過程をデンドログラム（樹形図）で可視化できる
クラスタ数は後から樹形図を切って決められる
併合基準の代表例がウォード法

🅱 非階層的クラスタリング

あらかじめクラスタ数kを指定して分割する
代表手法はk-means法
計算が軽く、大規模データに向く
初期値の選び方で結果が変わることがある

階層的クラスタリングは、1つひとつのデータを出発点に「最も近いもの同士」を順に併合していく方法で、グループができていく過程そのものを観察できるのが強みです。一方、k-means法に代表される非階層的クラスタリングは、最初にクラスタ数を決めて一気に分割する方法で、データ量が多くても高速に処理できます。それぞれの詳細は「k-means法」「ウォード法」「デンドログラム」の各記事で扱いますが、まずはこの2系統の対比を頭に入れておくと関連キーワードの位置づけが一気に整理されます。

💡 具体例で考える

代表的な応用が、ECサイトの顧客セグメンテーションです。購買履歴（購入頻度・平均単価・購入ジャンルなど）を特徴量として顧客をクラスタリングすると、「高頻度・高単価のヘビーユーザー層」「セール期間だけ集中的に買う層」「初回購入後に離脱しかけている層」といったグループが、事前にラベルを用意しなくても浮かび上がります。マーケティング担当者はこの結果を見て、層ごとにクーポンやメール施策を変える、といった打ち手につなげます。

もう1つの例がニュース記事の自動グルーピングです。記事に含まれる単語の出現傾向を特徴量にしてクラスタリングすると、「スポーツらしい記事の集まり」「経済らしい記事の集まり」が自動で形成されます。編集者がジャンルタグを付けていなくても、記事群の全体像を素早く把握できるわけです。

⚠️ よくある誤解・紛らわしい用語

💡 ポイント

「クラスタリング＝分類」ではない: 分類（classification）は正解ラベル付きデータで学ぶ教師あり学習、クラスタリングはラベルなしでグループを見つける教師なし学習です。試験で最も狙われる対比です。
クラスタに意味ラベルは自動で付かない: アルゴリズムが出すのは「グループ1・グループ2…」という分け方だけで、「優良顧客」などの解釈は人間が与えます。
クラスタ数の扱いは手法で異なる: k-means法は事前にクラスタ数kの指定が必要ですが、階層的クラスタリングはデンドログラムを見て後から決められます。「クラスタリングは常にクラスタ数を先に決める」と一般化するのは誤りです。
次元削減との混同: 主成分分析などの次元削減も同じ教師なし学習ですが、目的は「グループ分け」ではなく「情報を保ったままの圧縮」です。教師なし学習の二本柱として区別しましょう。

📝 試験でのポイント