G検定 用語解説
クラスタリングとは
正解ラベルなしのデータを、類似する性質を持つ集団（クラスタ）に分ける教師なし学習の手法。
まず押さえる結論
クラスタリングは、G検定の「大項目3 機械学習の概要」に出てくる用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-10-02。
試験概要（公式）比較記事でさらに確認する
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
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
大項目3 機械学習の概要 / 代表的な手法
ラベルのないデータを、あらかじめ指定した数のグループに分け、各グループの重心を更新しながら振り分けを繰り返す教師なし学習の手法はどれか。
正解は「k-means法」である。指定した個数のグループの重心を更新しながらデータを振り分けるのはk-means法。k近傍法は近くの既知ラベルを参照して分類する教師あり手法で、重心更新やグループ生成は行わない。主成分分析は次元削減手法。ロジスティック回帰はラベル付きデータで分類確率を学ぶ教師あり手法であり、いずれも該当しない。設問では「ラベルなし」「指定した数のグループ」「重心更新」の3点がk-means法を示している。k近傍法と名前が似ているが、k-meansは教師なしのクラスタリング、k近傍法は既知ラベルを使う分類手法である。
大項目3 機械学習の概要 / 代表的な手法
線形回帰の考え方を分類に応用し、出力を0〜1の値（確率）に変換することで、主に二値分類に用いられる手法はどれか。
正解は「ロジスティック回帰」である。線形回帰の考え方を分類に応用し、出力をシグモイド関数で0〜1の値（確率）に変換することで、主に二値分類に用いられる教師あり学習の手法である。主成分分析は特徴量を分散の大きい軸へ変換する次元削減の手法であり分類器ではない。k-means法と階層的クラスタリングはいずれもラベルのないデータをグループ分けする教師なし学習であり、確率を出力して二値分類を行う手法ではない。「出力を確率に変換」「主に二値分類」という条件がロジスティック回帰の目印になる。
大項目3 機械学習の概要 / 機械学習の種類
教師あり学習のタスクのうち、データがどのカテゴリ（クラス）に属するかを予測することを目的とするものはどれか。
正解は「分類」である。分類は、教師あり学習のうち、データがどのカテゴリ（クラス）に属するかを予測することを目的とするタスクである（例：メールが迷惑メールか否か）。回帰は連続した数値そのものを予測するタスクであり、カテゴリ名を出す分類とは出力の形が異なる。クラスタリングと次元削減はいずれも教師なし学習に分類され、正解ラベルを使ってカテゴリを予測するタスクではない。「どのカテゴリ（クラス）に属するかを予測するか」という条件が、連続値を出す回帰との分かれ目であり分類の目印になる。
同じ章で確認したい用語
他資格でも出題される用語
到達チェック
- クラスタリングを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、クラスタリングに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）