【G検定対策】教師なし学習の代表格！クラスタリングを図解で徹底解説

「たくさんのデータの中に、何か法則やグループ分けのヒントが隠されているかも…？」

そう考えたときに役立つのが、クラスタリングという技術です。クラスタリングは、AI・データサイエンスの基礎知識を問うG検定においても、教師なし学習の代表的な手法として頻繁に出題される重要な分野です。

この記事では、G検定の学習を始めたばかりの方でも理解できるよう、

• クラスタリングの基本的な考え方
• G検定で特に重要な主要手法（k-means法、ウォード法）の特徴と違い
• 実際の活用例（応用例）
• 作ったクラスターの評価方法
• G検定で押さえておくべきポイント

などを、図解や具体的なシナリオを交えながら、わかりやすく解説していきます。専門用語も丁寧に説明しますので、安心して読み進めてくださいね。

まずは基本から！クラスタリングって何？

クラスタリングの目的：データに隠された”仲間分け”のルールを見つける

クラスタリングを一言でいうと、「データ同士の類似性（どれくらい似ているか）に基づいて、自動的にデータをグループ分けする技術」です。まるで、たくさんの果物の中から、色や形が似ているものを集めて「りんごグループ」「みかんグループ」「バナナグループ」と仕分けるようなイメージです。

ここで重要なのが、クラスタリングは教師なし学習の一種であるという点です。

• 教師あり学習（例：分類）：事前に「これはリンゴ」「これはミカン」といった正解ラベルがついたデータ（教師データ）を使って、新しいデータがどれに分類されるかを学習します。
• 教師なし学習（例：クラスタリング）：正解ラベルがないデータに対して、データそのものが持つ特徴や構造（データの分布や類似度）を読み取り、データ自身から隠れたパターンやグループ構造を発見しようとします。

例えば、スーパーの顧客データがあるとします。教師あり学習なら「この顧客は優良顧客」「この顧客は離反予備軍」といったラベルを事前に付けて学習しますが、教師なし学習であるクラスタリングでは、購買履歴などのデータだけを見て「頻繁に少量買うグループ」「週末にまとめ買いするグループ」といった、データの中に自然に存在する顧客グループを発見することができます。

グループ分けの仕方：ハードとソフトの違い

クラスタリングには、データのグループ分けの方法について、大きく2つの考え方があります。

• ハードクラスタリング:
  • 各データをいずれか1つのクラスター（グループ）に必ず所属させる方法です。「あなたはAグループです！」とはっきり分けるイメージです。
  • 代表例：k-means法（後ほど詳しく解説します）
• ソフトクラスタリング:
  • 各データが複数のクラスターに所属する可能性を確率で表現する方法です。「あなたはAグループに所属する確率が60%、Bグループに所属する確率が40%です」のように、曖昧さや重なりを許容します。
  • 代表例：混合正規分布、トピックモデル（文書データを分析する際によく使われます）

G検定では、まずはハードクラスタリングの代表であるk-means法と、後述する階層クラスタリングのウォード法をしっかり理解することが重要です。

G検定の重要ポイント！主要なクラスタリング手法をマスター

世の中には様々なクラスタリング手法がありますが、G検定対策として特に重要な2つの手法、k-means法とウォード法を詳しく見ていきましょう。

k-means法：シンプルだけど強力！な非階層クラスタリング

k-means法は、そのシンプルさと計算速度から、非常によく使われるクラスタリング手法の一つです。

考え方: 簡単に言うと、「最初に『k個』のグループを作るぞ！と決めて、各グループの中心（重心）を計算し、データは一番近い中心のグループに所属させる」という考え方に基づいています。グループの中心（重心）と、そこに所属するデータ点の距離の合計が最小になるように、グループ分けを調整していきます。

アルゴリズムのステップ: k-means法は、以下のステップを繰り返して最適なグループ分けを見つけます。

1. 初期化: まず、いくつのグループ（クラスター）に分けるか、クラスター数『k』を人間が決めます。そして、各クラスターの最初の中心（重心）をランダム、または任意の方法で決めます。
2. 割り当て: 各データ点について、k個の中心（重心）との距離を計算し、最も距離が近い中心を持つクラスターにそのデータ点を割り当てます。
3. 中心（重心）の更新: 各クラスターに割り当てられたデータ点の平均値を計算し、それを新しいクラスターの中心（重心）とします。
4. 繰り返し: 新しい中心（重心）の位置が変わらなくなるか、ほとんど変化しなくなるまで、ステップ2と3を繰り返します。

メリット:

• アルゴリズムが比較的単純で、計算が高速です。大量のデータに対しても適用しやすいです。
• 実装が容易です。

デメリット:

• 最初にクラスター数『k』を人間が指定する必要があります。最適なkを見つけるのは簡単ではありません（後述のエルボー法などが使われます）。
• 最初の中心（重心）の選び方によって、最終的なクラスタリング結果が変わってしまうことがあります（初期値依存性）。これを避けるために、初期値を変えて複数回実行するなどの工夫が必要です。
• 球状でない、複雑な形状のクラスターを見つけるのは苦手です。

G検定ポイント: k-means法については、「非階層クラスタリング」であること、「クラスター数kを事前に指定する必要がある」こと、そして「初期値依存性がある」という特徴・デメリットが頻出です。必ず覚えておきましょう！

ウォード法：似ているもの同士を段階的にまとめる階層クラスタリング

ウォード法は、階層的クラスタリングと呼ばれる手法の一つです。k-means法が最初からk個のグループに分けるのに対し、階層的クラスタリングは、データやグループを段階的にまとめていく（あるいは分割していく）のが特徴です。

考え方: ウォード法は、「一番似ている（距離が近い）データ点やグループ同士を、一つずつ順番にくっつけていく」というアプローチ（凝集型）をとります。その際、「どのペアをくっつけるか？」の基準として、「グループ内のばらつき（分散）が、くっつけた後にできるだけ小さくなるようなペア」を選びます。言い換えると、グループ内のデータができるだけまとまっている状態を保ちながら、徐々に大きなグループを形成していきます。

デンドログラム（樹形図）: 階層的クラスタリングの結果は、デンドログラム（樹形図）と呼ばれる図で可視化できます。デンドログラムを見ると、どのデータやグループがどの段階（どのくらいの距離）で結合されたかが一目でわかります。

デンドログラムの面白い点は、樹形図をどこで「切る」かによって、クラスターの数を後から決められることです。

メリット:

• クラスター数を事前に決める必要がなく、データの階層構造を把握できます。
• デンドログラムによって結果を可視化でき、どこでグループを分けるのが良さそうか視覚的に判断できます。

デメリット:

• データ数が多くなると、計算量が非常に大きくなります（すべてのデータペア間の距離を計算する必要があるため）。k-means法に比べて計算時間がかかる傾向があります。
• 一度グループを結合すると、後から分離することはできません。

G検定ポイント: ウォード法については、「階層的クラスタリング」であること、「デンドログラム」で結果を表現できること、「分散（クラスター内の平方和）の増加量が最小になるように結合する」という基準が重要です。k-means法との違い（kの事前指定の要否、計算量など）を比較して理解しておきましょう。

【補足】PCAとの連携：高次元データを見やすくしてからクラスタリング

扱うデータの特徴量（次元数）が非常に多い場合（例えば、顧客アンケートの項目が数百ある、など）、そのままクラスタリングを行うと、いくつかの問題が生じることがあります。

• 次元の呪い: 次元数が高すぎると、データ点間の距離がどれも似たような値になってしまい、うまく類似性を測れなくなる現象。
• 計算コストの増大: 次元数が多いと計算量が増えます。
• 可視化の困難: 3次元までなら可視化できますが、それ以上の次元は人間には理解しにくいです。

そこで役立つのが主成分分析（PCA: Principal Component Analysis）です。PCAは、たくさんの特徴量を、元の情報の損失をできるだけ抑えながら、より少ない個数の新しい指標（主成分）に要約する次元削減手法の一つです。

クラスタリングの前処理としてPCAを行い、データの次元数を減らしてからクラスタリングを実行することで、

• 計算負荷の軽減
• ノイズの削減
• （2次元や3次元に削減すれば）結果の可視化

といったメリットが期待でき、結果としてクラスタリングの精度向上につながる場合があります。G検定では、PCAがクラスタリングの前処理として有効な場合があることを知っておきましょう。

クラスタリングはこんな場面で活躍！具体的な応用例

クラスタリングは、ビジネスから科学技術まで、様々な分野で活用されています。ここでは具体的な応用例をいくつか見てみましょう。

応用例①：顧客セグメンテーション（スーパーの例）

• 課題: スーパーの店長が、「うちのお店の顧客って、どんなタイプの人がいるんだろう？もっと効果的な販促をしたいな」と考えています。
• クラスタリング活用: 顧客の購買履歴データ（例：1回の買い物での平均購入金額、来店頻度、よく買う商品カテゴリ、週末/平日の利用比率など）をk-means法でクラスタリングします。
• 結果: 例えば、以下のような顧客グループ（セグメント）が見つかるかもしれません。
  • クラスター1：週末まとめ買いファミリー層（週末に来店、購入点数・金額が多い、お菓子や冷凍食品をよく買う）
  • クラスター2：平日時短クッキング層（平日の夕方に来店、購入点数は少ないが単価はそこそこ、カット野菜や総菜をよく買う）
  • クラスター3：特売品ハンター層（チラシ商品をよく買う、来店頻度は低いが購入金額は中程度）
• 効果: 各グループの特徴に合わせて、「ファミリー層向けには週末に子供向けお菓子イベント」「時短層向けには夕方に総菜割引」「特売品ハンター層にはチラシでお得情報をしっかり伝える」といった、より効果的なマーケティング施策を打てるようになります。

応用例②：推薦システム（動画配信サービスの例）

• 課題: 動画配信サービスで、「このユーザーが好きそうな新しい動画をおすすめして、もっとサービスを使ってもらいたい」と考えています。
• クラスタリング活用（協調フィルタリングの一部として）: ユーザーの視聴履歴データに基づいて、「どんなジャンルの動画をどれくらい見ているか」などの特徴量を作成し、ユーザーをクラスタリングします。これにより、視聴傾向が似ているユーザーグループを見つけます。
• 結果: あなたと同じクラスターに属する他のユーザーが高く評価している動画の中で、あなたがまだ見ていない動画があれば、それが「あなたへのおすすめ」として表示されます。
• 効果: ユーザーは自分の好みに合う動画を発見しやすくなり、満足度が向上し、サービスの利用継続につながります。

応用例③：異常検知（工場センサーの例）

• 課題: 工場の機械に取り付けられたセンサーデータを監視し、「いつもと違う動き」を検知して、故障の予兆を捉えたいと考えています。
• クラスタリング活用: まず、機械が正常に動作している時のセンサーデータ（温度、振動、圧力など）を大量に集め、クラスタリングします。これにより、「正常時の動作パターン」を示すクラスターがいくつか形成されます。
• 結果: 新しく取得したセンサーデータが、どの正常クラスターにも属さない場合や、所属するクラスターの中心から極端に離れている場合（外れ値）、それは「異常な動作」である可能性が高いと判断できます。
• 効果: 故障が発生する前に予兆を検知し、計画的なメンテナンス（予兆保全）を行うことで、突然の機械停止（ダウンタイム）を防ぎ、生産効率を維持できます。

作ったクラスターは大丈夫？評価方法を知ろう

クラスタリングを実行した後、「このグループ分けは本当にうまくできているのだろうか？」「クラスターの数はいくつにするのが最適だったのだろうか？」といった疑問が出てきます。そのために、クラスタリングの結果を評価するための指標がいくつかあります。

適切なクラスター数は？ エルボー法で当たりをつける

k-means法など、事前にクラスター数kを決める必要がある手法では、kをいくつにするかが悩みどころです。そのkを決めるための一つの目安となるのがエルボー法です。

WCSS (Within-Cluster Sum of Squares) とは？ エルボー法を理解するために、まずWCSS（クラスター内誤差平方和）を知る必要があります。これは、「各クラスターに属するデータ点が、そのクラスターの中心（重心）からどれくらい離れているか（ばらつき具合）」を測る指標です。WCSSの値が小さいほど、クラスター内のデータ点が中心に密集しており、よくまとまっていることを意味します。

エルボー法の考え方: エルボー法では、クラスター数kを1, 2, 3, …と順番に増やしながら、それぞれのkでクラスタリングを実行し、その時のWCSSを計算します。そして、横軸にクラスター数k、縦軸にWCSSをとってグラフを描きます。

一般的に、クラスター数kを増やすと、各クラスターはより小さくなり、クラスター内のデータは中心に近づくため、WCSSは減少していきます。しかし、ある程度kを増やしていくと、WCSSの減少率が急に緩やかになる点が現れることがあります。この点が、まるでグラフが「肘（エルボー）」のように見えることから、エルボー法と呼ばれます。この「肘」にあたる部分のkが、適切なクラスター数の候補と考えられます。

注意点: ただし、エルボー法は万能ではありません。グラフによってはっきりとした「肘」が見られない場合もあり、あくまで適切なkを見つけるための目安の一つとして利用されます。

クラスタリングの「良さ」を測る指標：シルエット係数

クラスター数を決めた後、そのクラスタリング結果がどれくらい「良い」のか、つまり、各クラスターがうまく分離されているかを評価する指標としてシルエット係数があります。

考え方: シルエット係数は、個々のデータ点に対して計算されます。そのデータ点が、

1. 自分が所属するクラスター内の他のデータとどれだけ近いか（凝集度）
2. 最も近い他のクラスターのデータとどれだけ離れているか（乖離度） の両方を考慮して、「うまくクラスターに収まっているか」を数値化したものです。

値の範囲と解釈: シルエット係数の値は-1から1の範囲をとります。

• 1に近いほど良い: そのデータ点は自分のクラスターによくまとまっており、他のクラスターとは十分に離れていることを示します。理想的な状態です。
• 0に近い: そのデータ点はクラスターの境界付近にあることを示します。どちらのクラスターに属してもおかしくない状態です。
• -1に近い（負の値）: そのデータ点は、本来所属すべきクラスターよりも、他のクラスターの方に近いことを示します。おそらく間違ったクラスターに割り当てられています。

全てのデータ点のシルエット係数の平均値をとることで、クラスタリング全体の評価を行うことができます。平均値が1に近いほど、全体として良いクラスタリングであると言えます。

G検定ポイント: G検定では、シルエット係数の計算式そのものよりも、「何を評価するための指標か（クラスター内の凝集度とクラスター間の乖離度）」、そして「値が1に近いほど良いクラスタリングである」という解釈を理解しておくことが重要です。

G検定突破！クラスタリングの重要ポイントまとめ

最後に、G検定合格に向けて、クラスタリングの重要ポイントを整理しておきましょう。

最重要！k-means法 vs ウォード法 徹底比較

G検定では、この2つの手法の特徴と違いを問う問題が頻出です。以下の表でしっかり比較・整理しておきましょう。

特徴項目	k-means法	ウォード法
分類	非階層クラスタリング	階層クラスタリング (凝集型)
クラスター数k	事前に指定する必要あり	事前に指定する必要なし (デンドログラムで決定)
アルゴリズム	重心計算とデータ割当の反復	分散増加量が最小になるようペアを結合
結果の表現	各データがどのクラスターに属するか	デンドログラム (樹形図)
計算量	比較的少ない (データ数にほぼ比例)	多い (データ数の2乗以上に比例する場合も)
初期値依存性	あり	なし
得意なクラスター形状	球状に近いもの	様々な形状に対応可能
メリット	計算が速い、実装が容易	階層構造がわかる、kを後で決められる
デメリット	kの決定、初期値依存性、球状仮定	計算量が多い、一度結合すると戻せない

アルゴリズム選択のポイント：目的とデータに合わせて選ぶ

どちらの手法を使うべきかは、分析の目的やデータの特性によって異なります。

• データ規模が大きい場合: 計算量の観点からk-means法が有利なことが多いです。
• データの階層的な構造を見たい場合: ウォード法が適しています。
• 事前に適切なクラスター数がわからない場合: ウォード法でデンドログラムを作成し、それを見てクラスター数を決めるアプローチがあります。
• クラスターの形状が複雑な場合: ウォード法の方がうまく捉えられる可能性があります（ただし、他の手法も検討の余地あり）。

最終的には、ビジネス上の目的（何を明らかにしたいのか）や、結果の解釈のしやすさも考慮して、最適な手法を選択することが重要です。

G検定頻出キーワード再確認

以下のキーワードはG検定で問われる可能性が高いので、意味をしっかり説明できるようにしておきましょう。

• 教師なし学習
• ハードクラスタリング / ソフトクラスタリング
• k-means法
• 重心
• 初期値依存性
• ウォード法
• 階層的クラスタリング
• デンドログラム
• 分散 (クラスター内平方和)
• WCSS (Within-Cluster Sum of Squares)
• エルボー法
• シルエット係数
• PCA (主成分分析)
• 次元の呪い

まとめ：クラスタリングを理解して、G検定合格へ！

今回は、G検定対策として重要な「クラスタリング」について、基本的な考え方から主要な手法（k-means法、ウォード法）、応用例、評価方法までを解説しました。

クラスタリングは、一見するとバラバラに見えるデータの中から、意味のあるグループ構造やパターンを発見するための強力なツールです。G検定では、特にk-means法とウォード法の特徴、メリット・デメリット、そして両者の違いがよく問われます。

この記事で紹介した図解や具体例を通して、それぞれのアルゴリズムの動きや使われ方のイメージを掴み、WCSS、エルボー法、シルエット係数といった評価指標の意味もしっかり理解しておきましょう。

クラスタリングの知識は、G検定合格はもちろん、その先のデータ分析の実務においても必ず役立ちます。ぜひ、この機会に基礎を固めて、更なる学習へとステップアップしてください！応援しています！