AI資格ドリル
資格を選ぶ

用語比較

k-meansとDBSCANの違い|クラスタ数kを先に決めて重心で分けるか、点の密度でまとまりとノイズを見分けるか

k-meansとDBSCANは、どちらもラベルのないデータをまとまりに分けるクラスタリングの手法で、違いはまとまりの定義です。DBSCANは、一定の半径の近傍に最小個数以上の点があるかという密度でまとまりを定義し、どのまとまりにも入らない点をノイズとして残します。

この記事の根拠と出典

各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。

公式一次資料と照合した内容
分割型の手法(k-meansを含む)がクラスタ数kを入力とし、クラスタを重心で代表させ、形がすべて凸になること、DBSCANが密度に基づき任意の形のクラスタを見つけるよう設計されていること、近傍の半径Epsと最小個数MinPtsによるコア点の条件、どのクラスタにも属さない点をノイズと定義することは、DBSCANの原論文(Ester・Kriegel・Sander・Xu、KDD-96)を、2026-11-15に照合しています。
編集部が学習用に整理した内容
見分け方の手がかり語、判断手順、確認問題、取り違えの注意は編集部の学習上の整理です。出題実績に基づくものではありません。

資格ごとの公式資料の一覧

k-meansとDBSCANの要点

公式一次資料と照合:用語の定義は公式一次資料と照合しています。

k-means

データをk個のクラスタに分ける分割型の手法。kは入力パラメータで、各クラスタは重心で代表される。分割型の手法が作るクラスタの形は凸になる。

DBSCAN

密度に基づく手法。点の近傍(半径Eps)に最小個数(MinPts)以上の点があることを条件にまとまりを広げ、どのクラスタにも属さない点をノイズとする。任意の形のクラスタを見つけるよう設計されている。

見分け方

選択肢に「クラスタ数kを指定」「重心」があればk-means、「密度」「近傍」「ノイズ」「任意の形」があればDBSCAN。

違いを表で確認

比較軸k-meansDBSCAN
手法の型k-means:データをk個のクラスタに分ける分割型(partitioning)の手法DBSCAN:密度に基づく(density-based)手法。名前は Density Based Spatial Clustering of Applications with Noise の略
入力するパラメータk-means:クラスタ数k。原論文は、kの値に使える領域知識が得られない応用が多いと指摘するDBSCAN:近傍の半径Epsと最小個数MinPts。クラスタ数は入力しない
クラスタの代表k-means:クラスタの重心(gravity center)。各点を最も近い代表に割り当てるDBSCAN:代表点を持たず、近傍に最小個数以上の点を持つ点(コア点)から密度でつながる範囲をクラスタとする
クラスタの形k-means:分割型は各クラスタがボロノイ領域に収まり、形はすべて凸になるDBSCAN:任意の形のクラスタを見つけることを狙って設計された
ノイズの扱いk-means:すべての点がいずれかのクラスタに割り当てられるDBSCAN:どのクラスタにも属さない点の集合をノイズと定義する

公式一次資料と照合:G検定の一次資料で確認一次資料の一覧を見る

どこで迷っているかを切り分ける

01

「クラスタ数kを指定」「重心」という語が出る人

k-meansです。kを先に与え、各クラスタを重心で代表させて、点を最も近い代表へ割り当てます。

02

「密度」「近傍の半径」「ノイズ」という語が出る人

DBSCANです。近傍に最小個数以上の点があるかで密度を判定し、どこにも属さない点をノイズにします。

03

「クラスタ数を事前に決められない」「入り組んだ形」という語が出る人

DBSCANを疑います。クラスタ数を入力せず、任意の形のクラスタを見つけるよう設計された手法です。

具体例で使い分ける

編集部の整理

例 1

選択肢に「クラスタ数kを事前に指定する」が出る場合(架空の場面)

「データを指定した数のクラスタに分け、各クラスタの重心を更新して割り当てを繰り返す手法はどれか」という問いがあります。

  • クラスタ数を入力し、重心を代表に使うのはk-meansです。
  • DBSCANは、クラスタ数ではなく近傍の半径と最小個数を入力します。

結論: クラスタ数kと重心ならk-meansです。

例 2

選択肢に「ノイズ」が出る場合(架空の場面)

「密度に基づいてクラスタを作り、どのクラスタにも属さない点をノイズとして扱う手法はどれか」という問いがあります。

  • 原論文は、どのクラスタにも属さない点の集合をノイズと定義します。
  • k-meansはすべての点をいずれかのクラスタに割り当てます。

結論: 密度とノイズならDBSCANです。

例 3

クラスタの形を問われる場合

三日月のように凸でない形のまとまりを見つけやすい手法を選ぶ問いがあります。

  • 分割型の手法が作るクラスタの形は、ボロノイ領域に収まるためすべて凸です。
  • DBSCANは任意の形のクラスタを見つけるよう設計されています。

結論: 凸でない形に向くのはDBSCANです。

問題文から答えを選ぶ手順

編集部の整理:見分け方の手がかり語、判断手順、確認問題、取り違えの注意は編集部の学習上の整理です。出題実績に基づくものではありません。

  1. 1

    入力を見る

    「クラスタ数k」ならk-means、「半径と最小個数」ならDBSCANです。

  2. 2

    代表を見る

    「重心」ならk-means、「密度でつながる範囲」ならDBSCANです。

  3. 3

    ノイズを見る

    「どのクラスタにも属さない点」という語があればDBSCANです。

  4. 4

    形を見る

    「任意の形」ならDBSCAN、「凸」ならk-meansのような分割型です。

試験での見分け方

編集部の整理

  • 1k-meansは、クラスタ数kを入力し、各クラスタを重心で代表させる分割型の手法である。
  • 2DBSCANは、近傍に最小個数以上の点があるかという密度でクラスタを作り、どこにも属さない点をノイズとする。
  • 3分割型のクラスタは凸になり、DBSCANは任意の形のクラスタを見つけるよう設計されている。

誤答しやすい選択肢

DBSCANにもクラスタ数kを入力すると考える

修正: DBSCANが入力するのは近傍の半径Epsと最小個数MinPtsです。クラスタの数は結果として決まります。

k-meansもノイズを区別すると考える

修正: k-meansはすべての点をいずれかのクラスタに割り当てます。ノイズを定義しているのはDBSCANです。

DBSCANを分割型や階層型の仲間と考える

修正: 原論文は、既存手法を分割型と階層型に分けたうえで、密度に基づく新しい手法としてDBSCANを提案しています。

確認問題

Q1クラスタ数kを入力し、各クラスタを重心で代表させるクラスタリングは?

答え: k-means

分割型の手法で、kは入力パラメータです。各点は最も近い代表へ割り当てられます。

Q2近傍に最小個数以上の点があるかという密度でクラスタを作り、どのクラスタにも属さない点をノイズとする手法は?

答え: DBSCAN

1996年のKDD会議で発表された手法で、任意の形のクラスタを見つけるよう設計されています。

Q3DBSCANが入力として使う2つのパラメータは?

答え: 近傍の半径Epsと最小個数MinPts

コア点の条件は、半径Epsの近傍にMinPts個以上の点があることです。

到達チェック

  • k-meansの入力(クラスタ数k)を言える
  • DBSCANの入力(半径Epsと最小個数MinPts)を言える
  • ノイズを区別するのはDBSCANだと言える

同じ資格で次に知りたいこと

よくある質問

Qk-meansとDBSCANの違いは?

A

k-meansはクラスタ数kを入力し、各クラスタを重心で代表させる分割型の手法です。DBSCANは、近傍に最小個数以上の点があるかという密度でクラスタを作り、どのクラスタにも属さない点をノイズとする手法です。

QDBSCANはクラスタ数を指定しますか?

A

指定しません。入力するのは近傍の半径Epsと最小個数MinPtsで、クラスタの数はデータから決まります。

QDBSCANの名前の意味は?

A

Density Based Spatial Clustering of Applications with Noise の略で、ノイズのある応用のための密度に基づく空間クラスタリングを指します。1996年のKDD会議の論文で提案されました。

次に見る比較

執筆: AI資格ドリル編集部(運営者情報を見る)