クラスタリングとは

クラスタリングは、教師なし学習の代表的なタスクです。正解ラベルを与えずに、データどうしの似ている度合いだけを手がかりにして、データをいくつかのグループ（クラスタ）にまとめます。

分類との違い

クラスタリングと分類は、どちらもデータをグループに分ける点で似ています。違いは、グループの正解が先にあるかどうかです。

分類は、「迷惑メール」「通常のメール」のように決まったクラスと正解ラベルを使って学習し、新しいデータをそのクラスに振り分けます。クラスタリングは、グループの数も意味も決まっていない段階で、データの中にあるまとまりを見つけます。そのため、得られたクラスタが何を表すかは、人が各クラスタの特徴を見て解釈します。

主な手法

• 非階層的クラスタリング：クラスタ数を先に決め、データをその数に分けます。k-means法が代表例です。計算が速く、件数の多いデータにも使えます。
• 階層的クラスタリング：近いものから順に併合していき、その過程をデンドログラム(樹形図)で表します。ウォード法が代表例です。クラスタ数を後から選べます。

多くの手法は、ユークリッド距離などでデータ間の近さを測ります。そのため、単位の大きい特徴量に結果が引きずられないよう、標準化などの前処理が重要です。

使われる場面

購買履歴から似た顧客をまとめて販促を変える顧客のグループ分け、大量の文書を話題ごとにまとめる作業、典型的なまとまりから外れたデータを見つける分析などに使われます。主成分分析(PCA)などの次元削減と組み合わせて、データの構造を目で確かめることもよくあります。