用語比較
主成分分析とクラスタリングの違い
主成分分析（PCA）とクラスタリングは、どちらも正解ラベルを使わない教師なし学習の手法です。違いは、データに何をするかにあります。PCAは変数を少ない軸にまとめて次元を減らし、クラスタリングはサンプルを似たもの同士のグループに分けます。
G検定では、設問の手がかり語から判定します。変数の数を減らす、分散が最大になる軸という語ならPCA（次元削減）、サンプルをグループに分ける語ならクラスタリングです。どちらも教師なし学習だと一括りにすると、目的の違いを見落とします。
このページでは、出力の形、目的、併用の仕方という三つの軸で比較します。クラスタリング同士の違いは、k-meansと階層的クラスタリングの違いのページで確認できます。
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。G検定の一次情報確認日: 2026-10-02。
- 公式一次資料と照合した内容
- PCAが分散を最大限に説明する直交成分への分解であること、各特徴量を中心化しスケーリングはしないこと、教師なし学習の章に置かれること、k-meansの前にPCAなどの次元削減を行うと高次元の距離の問題を和らげ計算を速められることは、scikit-learn公式ドキュメントのDecomposing signals in componentsの章とClusteringの章へ2026-10-12に照合しています。
- 編集部が学習用に整理した内容
- 減らす対象と分ける対象の語から判定する手順は編集部の学習上の整理です。
資格ごとの公式資料の一覧
結論
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。
主成分分析（PCA）
データを、分散を最大限に説明する直交した成分に分解し、分散の大きい少数の成分へ射影して次元を減らす次元削減の手法。
クラスタリング（k-means法）
正解ラベルなしのデータを、類似する性質のグループ（クラスタ）に分ける手法。k-meansはクラスタ数を指定し、クラスタ内平方和（inertia）を最小にする。
違いを表で確認
| 比較軸 | 主成分分析（PCA） | クラスタリング（k-means法） |
|---|---|---|
| 分類 | 次元削減 | クラスタリング（群分け） |
| データへの操作 | 変数（列）を少ない成分にまとめ直す | サンプル（行）をグループに分ける |
| 出力の形 | 各サンプルを少数の主成分へ射影した値 | 各サンプルが属するクラスタ |
| 基準になる量 | 分散（できるだけ多く説明する成分を選ぶ） | k-meansはクラスタ内平方和（inertia） |
| 事前の指定 | 残す成分の数 | k-meansはクラスタ数 |
| 選択肢で探すキーワード | 次元削減、分散が最大、主成分、射影 | グループ分け、クラスタ、重心、デンドログラム |
公式一次資料と照合：G検定: 2026-10-02に一次資料で確認一次資料の一覧を見る →
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
どちらも教師なし学習なので同じ手法だと思っている人
正解ラベルを使わない点は共通ですが、目的が違います。変数の数を減らすのがPCA、サンプルをグループに分けるのがクラスタリングです。設問が減らす対象か分ける対象かを読み分けます。
PCAでグループが作られると思っている人
PCAの出力は、少数の成分へ射影した値です。サンプルがどのグループに属するかは出力されません。グループ分けが目的なら、クラスタリングの手法を使います。
次元の呪いへの対処が分からない人
高次元ではユークリッド距離が膨らむ問題があります。scikit-learn公式ドキュメントは、k-meansの前にPCAなどの次元削減を実行すると、この問題を和らげ計算を速められると述べます。次元削減とクラスタリングは、順に組み合わせて使えます。
具体例で使い分ける
編集部の整理
例 1
説明文に『分散が最大となる軸』『少ない変数で表現し直す』とある場合
説明文に、分散を最大限に説明する成分を見つけ、少ない次元へ射影するとあります。
- scikit-learn公式ドキュメントは、PCAを、分散を最大限に説明する逐次的な直交成分へデータを分解する手法と説明しています。
- 出力は、少数の成分へ射影した値で、サンプルのグループは出てきません。
- 分類としては、次元削減に当たります。
結論: 分散が最大の軸と変数の圧縮が出たら、主成分分析を選びます。
例 2
説明文に『類似する性質を持つ集団に分ける』とある場合
説明文に、正解ラベルのないデータを、似たもの同士のグループに分けるとあります。
- これは、クラスタリングの説明です。k-meansなら、クラスタ数を指定し、重心を平均で更新します。
- 変数の数を減らす説明は出てこないので、PCAではありません。
- 出力は、各サンプルが属するクラスタです。
結論: グループに分けるという説明なら、クラスタリングを選びます。
例 3
『k-meansの前に次元削減を行う』と書かれている場合
高次元のデータをクラスタリングする前に、PCAなどを使う理由が問われています。
- 公式ドキュメントは、高次元ではユークリッド距離が膨らむ（次元の呪いの一例）と述べます。
- k-meansの前にPCAなどの次元削減を実行すると、この問題を和らげ、計算を速められるとされています。
- PCAが前処理、k-meansが群分けと、役割が分かれています。
結論: 次元削減で変数を減らしてから、クラスタリングでグループに分ける順に並べます。
問題文から答えを選ぶ手順
編集部の整理：減らす対象と分ける対象の語から判定する手順は編集部の学習上の整理です。
- 1
減らす対象を探す
変数の数や次元を減らす、少ない軸で表現し直すという説明があればPCAです。
- 2
分ける対象を探す
サンプルをグループに分ける、クラスタという語があればクラスタリングです。
- 3
基準の語を確認する
分散が最大ならPCA、重心やクラスタ内平方和ならk-meansです。
- 4
併用の記述を確認する
次元削減の後にクラスタリングを行うとあれば、役割を分けて両方を選びます。
試験での見分け方
編集部の整理
- 1PCAは、分散を最大限に説明する直交した成分へ分解する次元削減の手法。
- 2クラスタリングは、正解ラベルなしのデータを類似する性質のグループに分ける手法。
- 3PCAの出力は少数の成分へ射影した値で、クラスタは出力されない。
- 4k-meansはクラスタ数を指定する必要があり、クラスタ内平方和を最小にする。
- 5PCAは各特徴量を中心化するが、スケーリングはしない。
- 6k-meansの前にPCAなどの次元削減を行うと、高次元の距離の問題を和らげ、計算を速められる。
誤答しやすい選択肢
PCAをクラスタリングの手法と考える
修正: PCAは次元削減の手法で、サンプルをグループに分けません。グループ分けの手法はk-meansなどのクラスタリングです。
PCAの目的を、正解ラベルを予測することと考える
修正: PCAは教師なし学習で、正解ラベルを使いません。分散を最大限に説明する成分へまとめ直すのが目的です。
クラスタリングで変数の数が減ると考える
修正: クラスタリングは、サンプルを群に分ける操作です。変数の数を減らすのは次元削減です。
PCAとk-meansは、どちらか一方しか使えないと考える
修正: 公式ドキュメントは、k-meansの前にPCAなどの次元削減を行うことを挙げています。前処理と群分けとして組み合わせられます。
確認問題
Q1データの分散が最大となる軸を見つけ、少ない変数で表現し直す教師なし学習の手法はどちらですか？
答え: 主成分分析（PCA）
PCAは、分散を最大限に説明する直交した成分へデータを分解し、少数の成分へ射影して次元を減らす手法です。
Q2正解ラベルのないデータを、類似する性質のグループに分ける手法はどちらですか？
答え: クラスタリング
クラスタリングは、サンプルを類似するグループに分ける教師なし学習の手法で、k-meansはその代表です。
Q3高次元のデータにk-meansを使う前に、距離の問題を和らげる目的で行える処理は何ですか？
答え: PCAなどの次元削減
公式ドキュメントは、k-meansの前にPCAなどの次元削減を行うと、高次元でユークリッド距離が膨らむ問題を和らげ、計算を速められると述べます。
到達チェック
- PCAが次元削減、k-meansがクラスタリングだと分類できる
- PCAが分散を最大限に説明する成分を求めることを言える
- クラスタリングの出力がサンプルごとのクラスタだと説明できる
- k-meansの前にPCAを行う理由を説明できる
- 設問の手がかり語（分散が最大、グループに分ける）から判定できる
関連ページで確認する
同じ資格で次に知りたいこと
- 強化学習と教師あり学習の違い
強化学習と教師あり学習の違いを、学習に与えられるもの（正解か報酬か）、探索と活用、遅延報酬、G検定での判断手順と確認問題まで解説します。
- バイアスとバリアンスの違い
バイアスとバリアンスの違いを、誤差の原因、学習標本を変えたときの予測の動き、未学習・過学習との対応、G検定での判断手順と確認問題まで解説します。
- LIMEとSHAPの違い
LIMEとSHAPの違いを、説明の作り方（局所近似とシャープレイ値）、満たす性質、使う場面、G検定での判断手順と確認問題まで解説します。
よくある質問
Q主成分分析とクラスタリングの最大の違いは何ですか？
主成分分析は変数を少ない成分にまとめて次元を減らし、クラスタリングはサンプルを類似するグループに分けます。
Q主成分分析は教師あり学習ですか？
教師なし学習です。scikit-learn公式ドキュメントも、ユーザーガイドの教師なし学習の章に置いています。
QPCAはサンプルをグループに分けますか？
分けません。出力は、少数の成分へ射影した値です。グループ分けにはk-meansなどのクラスタリングを使います。
Q主成分分析とk-meansは一緒に使えますか？
使えます。公式ドキュメントは、k-meansの前にPCAなどの次元削減を実行すると、高次元の距離の問題を和らげ、計算を速められると述べています。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）