2026.06.02

【G検定対策】教師なし学習の代表的な手法を整理

seo-webmaster

プロモーションが含まれています

教師なし学習は、正解ラベル（答え）がないデータから、データの特徴やまとまりを見つける学習方法です。

教師あり学習では「犬か猫か」、「売上はいくらか」のように正解をもとに学習しますが、教師なし学習では、AIがデータの中にある似ている部分や構造を探します。

G検定では、教師あり学習との違いだけでなく、クラスタリング・次元削減・PCAの関係が問われやすいです。

この記事では、教師なし学習の代表的な手法を、AIの学習をはじめたばかりの人向けに整理します。

ジャンプするもくじ

教師なし学習の代表的な手法
教師なし学習の代表的な手法を一覧で整理
G検定ではどう問われる？
なぜ混同しやすい？
まとめ
関連記事・おすすめ記事

教師なし学習の代表的な手法

教師なし学習では、正解ラベルを使わずにデータの特徴を見つけます。

代表的な手法は、主に次の2つです。

手法	一言でいうと
クラスタリング	似たデータをグループに分ける
次元削減	データの特徴を少ない情報に整理する

さらに、次元削減の代表例として PCA（主成分分析） があります。

大事な整理は、次の通りです。

クラスタリング＝似ているものをまとめる
次元削減＝特徴を減らして見やすくする
PCA ＝次元削減の代表的な方法

教師あり学習との違い

教師なし学習を理解するときは、教師あり学習との違いを先に押さえるとわかりやすいです。

学習方法	正解ラベル	目的
教師あり学習	ある	正解に近い予測をする
教師なし学習	ない	データの構造や特徴を見つける

たとえば、犬と猫の画像に「犬」「猫」という正解ラベルがついていれば、教師あり学習です。

一方で、正解ラベルがない状態で、似た画像同士を自動でまとめる場合は、教師なし学習です。

クラスタリングとは？

クラスタリングとは、似ているデータ同士をグループに分ける手法です。

たとえば、顧客データをもとに、購買傾向が似ている人をグループに分けるような場面で使われます。

観点	内容
目的	似たデータをまとめる
正解ラベル	使わない
使われる例	顧客分類、画像の整理、文書の分類

ポイントは、最初から「この人はAグループ」と正解が決まっているわけではないことです。

データの特徴を見て、AIが似ているものをまとめます。

k-meansとは？

k-meansは、クラスタリングの代表的な手法です。

最初にグループ数を決めて、データを近いグループに分けていきます。

用語	一言でいうと
k	グループ数
means	平均
k-means	平均に近いデータを集める方法

たとえば、k=3と決めると、データを3つのグループに分けようとします。

G検定では、k-meansは クラスタリングの代表例 として整理しておくとよいです。

階層的クラスタリングとは？

階層的クラスタリングは、データを段階的にまとめていく方法です。

最初はバラバラのデータを、似ているもの同士で少しずつまとめていきます。

手法	イメージ
k-means	最初にグループ数を決める
階層的クラスタリング	似ているものから段階的にまとめる

階層的クラスタリングは、木の枝のような構造でグループの関係を表すことがあります。

細かい計算よりも、段階的にグループを作る方法 と覚えるとよいです。

次元削減とは？

次元削減とは、データの特徴量を減らして、扱いやすくする手法です。

AIで扱うデータには、多くの特徴が含まれています。

たとえば、顧客データなら

年齢
購入回数
購入金額
閲覧回数
滞在時間

のように、多くの情報があります。

特徴量が多すぎると、データの関係が見えにくくなることがあります。

そこで、重要な情報をなるべく残しながら、特徴量を少なく整理するのが次元削減です。

PCAとは？

PCAは、次元削減の代表的な手法です。

日本語では 主成分分析 と呼ばれます。

用語	一言でいうと
PCA	次元削減の代表的な方法
主成分分析	データの特徴を少ない軸にまとめる方法
次元削減	特徴量を減らして整理する考え方

PCAでは、データのばらつきをよく表す方向を見つけて、少ない軸でデータを表します。

G検定対策では、数式よりも、次のように整理しておくと十分です。

PCA ＝主成分分析
PCA ＝次元削減の代表例
多くの特徴を少ない軸にまとめる方法

クラスタリングと次元削減の違い

クラスタリングと次元削減は、どちらも教師なし学習に関係します。

ただし、目的が違います。

手法	目的
クラスタリング	似たデータをグループに分ける
次元削減	特徴量を減らして整理する

クラスタリングは「分ける」ことが目的です。

次元削減は「減らして見やすくする」ことが目的です。

この違いを押さえると、混同しにくくなります。

教師なし学習の代表的な手法を一覧で整理

まとめると下の表になります。

用語	一言でいうと	分類
クラスタリング	似たデータをグループに分ける	教師なし学習
k-means	代表的なクラスタリング手法	クラスタリング
階層的クラスタリング	段階的にグループを作る	クラスタリング
次元削減	特徴量を減らして整理する	教師なし学習
PCA	次元削減の代表的な方法	次元削減
主成分分析	データを少ない軸で表す	PCA

まずは、細かい手法をバラバラに覚えるよりも、次の関係を押さえることが大切です。

教師なし学習
├ クラスタリング
│ ├ k-means
│ └ 階層的クラスタリング
└ 次元削減
└ PCA（主成分分析）

G検定ではどう問われる？

G検定では、教師なし学習の手法そのものよりも、どの用語が何をするものか が問われやすいです。

問われ方	選ぶ用語
正解ラベルなしで学習する	教師なし学習
似たデータをグループに分ける	クラスタリング
クラスタリングの代表的な手法	k-means
特徴量を減らして整理する	次元削減
次元削減の代表的な手法	PCA
PCAの日本語名	主成分分析

特に混同しやすいのは、クラスタリングと分類です。

分類は、正解ラベルを使ってカテゴリを予測します。

クラスタリングは、正解ラベルなしで似たデータをまとめます。

なぜ混同しやすい？

教師なし学習が混同しやすい理由は、似たような言葉が近くに出てくるからです。

混同しやすいもの	違い
分類	正解ラベルありでカテゴリを予測する
クラスタリング	正解ラベルなしでグループに分ける
次元削減	特徴量を減らして整理する
PCA	次元削減の代表的な方法

特に、分類とクラスタリングはどちらも「分ける」ように見えるため、混同しやすいです。

大事なのは、正解ラベルがあるかどうかです。

分類＝正解ラベルあり
クラスタリング＝正解ラベルなし

この違いを押さえておくと、G検定でも判断しやすくなります。

まとめ

教師なし学習は、正解ラベルがないデータから、特徴や構造を見つける学習方法です。

代表的な手法には、クラスタリングと次元削減があります。

クラスタリングは、似たデータをグループに分ける方法です。

次元削減は、特徴量を減らしてデータを扱いやすくする方法です。

PCAは、次元削減の代表的な手法で、日本語では主成分分析と呼ばれます。

G検定では、細かい計算よりも、次の関係を整理しておくことが大切です。

教師なし学習

↓

正解ラベルなしで
特徴を見つける

↓

クラスタリング・次元削減

↓

k-means・PCA

分類・回帰・クラスタリングの違いをあわせて確認すると、教師あり学習と教師なし学習の関係がより整理しやすくなります。