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」で確認しておきたい用語です。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: 2026-07-03。
試験概要（公式）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
×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、および混同行列の読み方。
関連する確認問題
大項目3 機械学習の概要 / 機械学習の種類
教師あり学習のうち、住宅価格や気温のように連続した数値そのものを予測することを目的とするタスクはどれか。
正解は「回帰」である。連続値を予測する教師ありタスクは回帰。分類は離散的なカテゴリ（クラス）を予測するタスクで、連続値の予測ではない。クラスタリングはラベルなしデータをグループに分ける教師なしの処理。次元削減は特徴量の数を減らす処理であり、いずれも数値そのものを予測する目的ではない。住宅価格や気温のように大小関係を持つ数値をそのまま出す点が決め手になる。予測結果が「高い/低い」のラベルではなく、金額や温度のような量として出るなら回帰に分類する。
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 / 前処理とハイパーパラメータ
クラスタリングで適切なクラスタ数を決める際、クラスタ数を増やしながらクラスタ内のばらつき（誤差）の値を見て、その減少のしかたが急に緩やかになる変化点を、ちょうどよいクラスタ数の目安とする手法はどれか。
正解は「エルボー法」である。クラスタ数を増やしながらクラスタ内のばらつき（誤差）の減少を確認し、その減り方が急に緩やかになる折れ曲がり点を適切なクラスタ数の目安とする。シルエット分析は各データ点が自分のクラスタにどれだけまとまっているかを指標化して比較する別の手法であり、誤差の折れ曲がりを見るものではない。k-means法はクラスタリングそのものを行うアルゴリズムであってクラスタ数を決める手法ではなく、主成分分析（PCA）は次元削減の手法であり、いずれもクラスタ数の目安を出す方法ではない。「誤差の減少が緩やかになる変化点」という表現がエルボー法の目印になる。
同じ章で確認したい用語
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）