【第57回】AIは近くの仲間を見て決める？k近傍法とは
前回のロジスティック回帰では、「境界線を引いて白か黒かを分ける」という方法を学びました。でも、AIの判断方法にはもっと直感的な「周りの様子を見て決める」というやり方もあるんです。まるで新しいクラスに入ったとき、「隣に座っている人が〇〇なら、自分も〇〇かな？」と考えるような、そんなシンプルで強力な手法について解説します！
1. 読み方
k近傍法 ＝ けいきんぼうほう （英語では k-Nearest Neighbors と言い、略して k-NN と呼ばれます）
2. 意味（定義）
k近傍法を一言でいうと、「未知のデータがあるとき、その近くにある『k個』のデータの多数決で正体を決める手法」のことです。
難しい言葉を使わずに例えると、「似た者同士は近くに集まる」という直感をそのままAIにしたようなものです。
例えば、目の前に「正体不明のフルーツ」があるとします。
まず、そのフルーツと「似ている（距離が近い）」フルーツを、周りからk個（例えば3個）選び出します。
選んだ3個のうち、2個が「リンゴ」で1個が「オレンジ」だったとします。
多数決の結果、「この正体不明のフルーツは、たぶんリンゴだ！」と判定します。
【判定のステップ】 ① 新しいデータが来た！ ② すでに正体がわかっているデータの中から、距離が近い順にk個を探す。 ③ そのk個の中で一番多かったグループに分類する。
3. 歴史・背景
k近傍法は、機械学習の中でも非常に初期からあるシンプルな手法です。
この手法の面白いところは、AIが事前に「こういうのがリンゴだ」という複雑な計算式（モデル）を一生懸命作らないことです。データが来たら、その場その場で「近くに誰がいるか」を確認するだけ。そのため、専門用語で「怠惰学習（Lazy Learning）」と呼ばれたりします。
「わざわざ勉強しなくても、その場で周りを見れば答えが出るじゃないか」という、ある意味とても効率的な考え方に基づいています。この「距離で似ているものを探す」という概念は、今のAIがデータを処理する際の基礎的な考え方として今も大切にされています。
4. 比較・対比（似た用語との違い）
前回の「ロジスティック回帰」と比べてみましょう。
【ロジスティック回帰】
やり方： 全体のデータを眺めて、きれいに分ける「境界線」を一本引く。
判断： 新しいデータが来たとき、「線より右か左か」だけで瞬時に決める。
特徴： 一度線を引いてしまえば、元のデータはもう見なくていい。
【k近傍法（k-NN）】
やり方： 境界線は引かず、とりあえずデータを全部持っておく。
判断： 新しいデータが来たとき、「近くに誰が何人いるか」を数えて決める。
特徴： 判定のたびに、持っているデータ全部と距離を比べるので、データ量が多いと時間がかかる。
5. 活用シーン（実社会のどこで、どんな問題に使うか）
① おすすめ商品（レコメンドシステム） 「あなたと好みが似ている人（＝データ上の距離が近い人）」を数人探し、その人たちが買っているけれど、あなたはまだ買っていない商品を「あなたにおすすめです！」と提案する仕組みに使われています。
② 簡易的なパターン認識（異常検知など） 例えば、工場の製品検査で「正常な製品」のデータがたくさんある場合、新しくできた製品が「正常なグループから遠く離れている」なら、「これは異常品かもしれない」と判定させることができます。
6. G検定での出題傾向
G検定では、特に「kの値によって結果がどう変わるか」という点がよく狙われます。
kが小さすぎる場合（例：k=1）： 直近の1人だけを見るので、たまたま変なデータが隣にいただけで判定を間違えます。これを「過学習（学習しすぎ）」に近い状態と言います。
kが大きすぎる場合（例：k=100）： 周りを気にしすぎて、結局「一番数が多いグループ」という単純な答えになりがちです。これを「未学習」に近い状態と言います。
また、「距離を測る（ユークリッド距離など）」という概念と一緒に問われることが多いので注意してください。
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
k近傍法（k-NN）の説明として、最も適切なものはどれか？
A. データを代表する中心点を作り、その中心点との距離で分類する手法である。
B. 新しいデータに対し、距離が近いk個のデータの多数決でクラスを決定する手法である。
C. データを階層的に分けていき、最終的に葉ノードで分類する手法である。
D. 境界線を引いて、確率的にどちらのクラスに属するかを判定する手法である。
【問題2：頻出（特徴に関する問題）】
k近傍法における「k」の値に関する記述として、正しいものはどれか？
A. kの値が大きければ大きいほど、常に予測精度が向上する。
B. k=1とした場合、ノイズ（外れ値）の影響を受けにくくなる。
C. kの値が極端に小さいと、局所的な変動に影響されやすく（過学習気味に）なる。
D. kの値は、必ずデータの総数と同じにする必要がある。
【問題3：ひっかけ（勘違いしやすいポイント）】
k近傍法の特徴に関する記述として、正しいものはどれか？
A. 学習段階で複雑な数式（モデル）を作成するため、予測時の計算が非常に速い。
B. 教師なし学習の代表的な手法であり、正解ラベルがなくても分類できる。
C. データをメモリに保持したまま判定を行うため、「怠惰学習」と呼ばれることがある。
D. 境界線が直線的に引かれるため、複雑な分布を持つデータには全く使えない。
8. 7の例題の回答と解説
【問題1：回答】 B
【解説】 正解はBです。k近傍法の基本は「近いk個のデータの多数決」です。Aはk-means（k平均法）などの説明、Cは決定木の説明、Dはロジスティック回帰などの説明です。
【問題2：回答】 C
【解説】 正解はCです。
A：kが大きすぎると、大まかになりすぎて精度が落ちます。
B：k=1だと、たまたま隣にいた1つの「変なデータ」に完全に影響されるため、ノイズに弱くなります。
D：kは適切に選ぶ必要があり、全データ数にする必要はありません。
【問題3：回答】 C
【解説】 正解はCです。k近傍法は事前にモデル（数式）を作らず、判定時に初めて計算を始めるため、「怠惰（Lazy）」と呼ばれます。
A：予測時に毎回全データと距離を測るため、むしろ計算に時間がかかります。
B：正解（ラベル）を見て多数決をするので、「教師あり学習」です。
D：境界線は直線ではなく、データの分布に合わせてグニャグニャと柔軟に決まるため、複雑なデータにも対応できます。
9. Ankiアプリ用（CSV形式）
k近傍法（k-NN）の基本的な判定方法は？,近くにあるk個のデータの多数決でクラスを決めること。
k近傍法が「怠惰学習」と呼ばれる理由は？,学習段階でモデルを作らず、予測時に初めて計算を行うから。
k近傍法でkの値が極端に小さい（k=1など）時のデメリットは？,ノイズや外れ値の影響を受けやすくなる（過学習気味になる）。
k近傍法は「教師あり学習」と「教師なし学習」のどちらか？,教師あり学習
k近傍法でデータ同士の「似ている度合い」を測るために使われる指標は？,距離（ユークリッド距離など）
📝 総評・まとめ
お疲れ様でした！k近傍法は、私たちが日常的に行っている「似ている人たちの意見を参考にする」という感覚に近い、とても人間らしいAIの手法でしたね。 「kの値（何人まで参考にするか）」で結果が変わるというポイントさえ押さえれば、もうバッチリです！
✅ 絶対に覚えて！
k近傍法 ＝ 「近くのk個の多数決」で決める！
怠惰学習 ＝ 事前にモデルを作らず、その場で計算する！
kの調整 ＝ 小さすぎるとノイズに弱く、大きすぎると大雑把になる！
🚀 次回予告 今回は「近くの仲間」を見て決めましたが、AIには「はい/いいえ」の質問を繰り返して、効率よく正解にたどり着く方法もあります。
【第58回】AIは質問を繰り返して答えを見つける？決定木とは
✅ この記事が役に立ったら「スキ」で応援してください！
あなたの応援が、次の解説を作るエネルギーになります！🚀
