【第63回】AIは似ているもの同士を自分でまとめられる？クラスタリングとは
データを見ていると、自然に似たもの同士の集まりができることがあります。
それをAIが自動で見つける方法がクラスタリングです。
この記事では、k-meansなどを例に、グループ分けの基本をやさしく解説します。
1. 読み方
くらすたりんぐ (Clustering)
2. 意味（定義）
「正解（ラベル）が与えられていないデータに対して、特徴が似ているもの同士を集めて、グループ（クラスター）を作る手法」のことです。
教師なし学習: 「これは〇〇である」という事前の正解を与えないため、「教師なし学習」に分類されます。
グループ化: データの「近さ」や「似ている度合い」を基準にして、塊を作ります。
【バラバラのレゴブロック整理術の例え】
あなたの目の前に、色も形もサイズもバラバラな大量のレゴブロックがあるとします。あなたは「これは丸いパーツ」「これは赤いパーツ」というルール（ラベル）を知りません。
まず、適当にブロックをいくつかの山に分けます。
「あ、この山は赤いものが多いな」「この山は細長いものばかりだ」と、特徴を見て整理していきます。
最終的に、「赤色のグループ」「青色のグループ」「平べったいグループ」のように、自分なりに似たもの同士をまとめた状態。これが「クラスタリング」の結果です。
3. 歴史・背景
クラスタリングは、統計学の分野から長く存在している手法です。生物学における「種の分類」や、地質学における「岩石の分類」など、「正解が最初から決まっているわけではないもの」を整理するために使われてきました。
コンピュータの発展とともに、膨大なデータの中から「隠れたパターン（グループ）」を見つけ出すための強力なツールとして、機械学習の分野で不可欠なものとなりました。特に、顧客データの分析や、画像解析などの分野で、人間が気づかないような新しい分類を発見する役割を担っています。
4. 比較・対比（似た用語との分類）
ここが試験で狙われる「整理」ポイントです！ 「分類」と「クラスタリング」の違いは絶対にマスターしましょう。
分類 (Classification) ★超重要
学習タイプ: 「教師あり学習」。
目的: あらかじめ決まったカテゴリ（例：犬か猫か）に、新しいデータを正しく割り当てる。
ゴール: 予測の的中率を上げること。
クラスタリング (Clustering) ★超重要
学習タイプ: 「教師なし学習」。
目的: データ自体の構造を見て、新しいカテゴリ（グループ）を見つけ出す。
ゴール: データの「まとまり」を明らかにすること。
k-means法 (k平均法) ★重要手法
クラスタリングの代表的なアルゴリズムです。「k 個のグループを作る」と決めて、それぞれのグループの中心（重心）を計算しながら、繰り返しグループを更新していく手法です。
5. 活用シーン（どんな問題に使うか）
顧客セグメンテーション: 「購買履歴が似ているお客さんを、3つのグループ（節約派、流行派、贅沢派など）に分ける」。
ニュース記事の自動分類: 「大量の記事の中から、内容が似ているもの同士をまとめて、トピックを作る」。
異常検知: 「普段の動きとは明らかに違う、変な塊（外れ値）を見つける」。
画像解析: 「色や形が似ているピクセルを集めて、物体としての境界線を特定する」。
6. G検定での出題傾向
G検定では、以下のポイントが狙われます！
「教師なし学習」であることの理解: 正解（ラベル）を使わないという点が最大のポイントです。
k-means法の仕組み: 「k 個の重心を決め、各データを最も近い重心に割り当てる」という反復プロセス。
「分類 (Classification)」との違い: 学習の性質（教師あり vs 教師なし）の違いが頻出です。
評価の難しさ: 「正解がない」ため、そのグループ分けが「本当に正しいか」を客観的に評価するのが難しい（シルエット係数などの指標はありますが、分類ほど単純ではありません）。
7. G検定の例題
【問題1：学習タイプの識別】
機械学習における「クラスタリング」に関する記述として、最も適切なものはどれですか？
A. あらかじめ与えられた正解ラベル（教師データ）を用いて、未知のデータがどのカテゴリに属するかを予測する手法である。
B. データの構造や特徴の類似性を分析し、ラベルのないデータから自然なグループ（クラスター）を見つけ出す「教師なし学習」の手法である。
C. 入力されたデータに対して、回帰式を用いて連続的な数値を予測する手法である。
D. 複数のモデルを組み合わせて、単一のモデルよりも高い予測精度を得ることを目的とした「アンサンブル学習」の一種である。
【問題2：k-means法のプロセス】
k-means法（k平均法）によるクラスタリングのアルゴリズムの説明として、正しいものはどれですか？
A. データの次元を削減することで、計算コストを抑えつつ、重要な特徴量のみを残す手法である。
B. 決定木を複数組み合わせることで、モデルの過学習を抑制し、予測の安定性を高める手法である。
C. 最初にグループ数 k を指定し、ランダムに配置した k 個の重心に対して、各データを最も近い重心に割り当て、重心の位置を更新する作業を繰り返す手法である。
D. データの境界線を決定木を用いて分割していき、最終的にクラスごとのルールを構築していく手法である。
8. 例題の回答と解説
【問題1 の回答】
正解：B
【解説】 「ラベルのないデータ」「グループを見つけ出す」「教師なし学習」というキーワードがあれば、それはクラスタリングです。A は「分類（教師あり学習）」の説明であり、C は「回帰」の説明、D は「アンサンブル学習」の説明です。
【問題2 の回答】
正解：C
【解説】 k-means法の核心は、「重心（セントロイド）の割り当て」と「重心の更新」を繰り返すプロセスにあります。「k 個のグループ数」を指定することも非常に重要な特徴です。A は「次元削減」、B は「アンサンブル学習（バギング等）」、D は「決定木」の説明であり、誤りです。
