k-means法とは

まず押さえる結論

k-means法は、G検定の「大項目3 機械学習の概要」に出てくる用語です。見分けの要点は、k-means法はラベルなしデータをグループ分けするクラスタリング手法、主成分分析（PCA）は変数の数を減らす次元削減手法という点で区別します。

比較記事でさらに確認する

k-means法の具体例と、問題文で見る箇所・隣接概念との境界

k-means法を、役割と隣接概念の境界から捉える

あらかじめ定めたクラスタ数kに向け、各データを重心との距離をもとにグループ分けする教師なし学習のクラスタリング手法。 試験では、処理の対象・目的・使う段階を別の概念と入れ替えた選択肢が出ます。何に対して何をする手法かを分けて確認します。

問題文で見る箇所

あらかじめ定めたクラスタ数kに向けて、重心との距離をもとにデータをグループ分けしているかを確認します。

隣接概念との境界

k-means法はラベルなしデータをグループ分けするクラスタリング手法、主成分分析（PCA）は変数の数を減らす次元削減手法という点で区別します。

誤答しやすい選択肢

• k-means法を、変数の数を減らして表現し直す次元削減の手法として扱う。定義の主語と処理対象を確認します。
• k-means法の目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
• k-means法を使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。

4段階の判断手順

1. 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
2. 02定義の中心となる対象と動作がk-means法に一致するか確認する。
3. 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
4. 04必ず・完全に・だけでよいという過度な断定がないか見直す。

到達条件: k-means法を一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。

試験での問われ方

誤答しやすいポイント

「大項目3 機械学習の概要」の問題で、取り違えやすい組み合わせです。

• 教師あり・教師なし・強化学習の分類の取り違え（分類/回帰＝教師あり、クラスタリング/次元削減＝教師なし）。
• L1正則化（ラッソ＝係数が0になり変数選択も兼ねる）とL2正則化（リッジ＝係数を小さく抑えるが0にはなりにくい）の混同。
• 適合率（精度）と再現率の取り違えと、混同行列の読み違い。

関連する確認問題

同じ章で確認したい用語