---
title: "階層クラスター分析とは？手法の違いまで整理【DS検定】"
description: "階層クラスター分析は、手法の違いまで整理を理解するための基本テーマです。DS検定で問われる定義、具体例、似た概念との違い、選択肢の見分け方を整理します。主要な混同パターンや実務での読み取り方も確認します。初学者が迷いやすい判断ポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/ds/hierarchical-clustering/"
section: "ds"
---
DS検定トップ
＞ 階層クラスター分析とは？手法の違いまで整理【DS検定】
## まず結論
- 階層クラスター分析とは、データを段階的にまとめたり分割したりして「似ているグループ」を作る手法です。
- DS検定では「どの基準でクラスタを結合するか」を判断できるかが問われます。
## 直感的な説明
たとえば、顧客を「なんとなく似ている人同士」でまとめたいとします。
最初は全員バラバラですが、
- まず一番似ている2人をまとめる
- 次に、そのグループと別の人をまとめる
- さらに大きなグループにしていく
このように、**少しずつグループを作っていく**のが階層クラスター分析です。
ポイントは
「どの2つをくっつけるか？」を決めるルールが複数あることです。
DS検定では、
👉 手法の名前と“結合基準”を正しく対応させられるか
がよく問われます。
## 定義・仕組み
階層クラスター分析には大きく2種類あります。
### ① 凝集型（ボトムアップ型）
- 小さなクラスタから始めて
- だんだん大きくしていく方法
DS検定では基本的にこちらが問われます。
### 結合基準（リンケージ）の違い
クラスタ同士を結合する基準には代表的に次があります。
- **最短距離法（単連結法）**
→ 2つのクラスタの中で「最も近い2点」の距離で判断
- **最長距離法（完全連結法）**
→ 「最も遠い2点」の距離で判断
- **重心法**
→ クラスタの中心同士の距離で判断
- **ウォード法**
→ クラスタを結合したときに増える「ばらつき（分散）」を最小にする
### ウォード法の本質
ウォード法は
> 「クラスタ内のばらつきの増加を最小にする」
方法です。
言い換えると、
- クラスタ内をできるだけ均質に保つ
- ばらつきが急に大きくならないようにする
という考え方です。
DS検定では
「変動の増加を最小にする」
という表現が出たらウォード法です。
## どんな場面で使う？
### 使う場面
- 顧客セグメントの可視化
- 商品分類
- アンケートの傾向分析
- 遺伝子データの分類
特に
「何個に分けるか決めていない」場合に有効です。
デンドログラム（樹形図）で
どこで切るかを後から決められるのが特徴です。
### 注意すべき場面
- データ数が非常に多い場合（計算コストが高い）
- 事前にクラスタ数を決めたい場合（→ k-meansの方が適切）
## よくある誤解・混同
### ① k-meansとの違い
DS検定ではよく混同させてきます。
| 階層クラスター分析 | k-means |
|------------------|----------|
| 段階的に結合 | 最初にクラスタ数を決める |
| デンドログラムあり | なし |
| 結合基準が複数 | 平均距離ベース |
👉 「クラスタ数を事前に決める」と書いてあったら
階層クラスターではありません。
### ② 各リンケージの混同
DS検定での典型的なひっかけ：
- 「最も近い距離で結合」→ 最短距離法
- 「最も遠い距離で結合」→ 最長距離法
- 「重心間距離」→ 重心法
- 「変動（分散）の増加を最小」→ ウォード法
この対応を正確に切り分けられることが重要です。
## まとめ（試験直前用）
- 階層クラスター分析は段階的にグループを作る手法
- 凝集型が基本（小→大）
- ウォード法＝ばらつきの増加を最小
- クラスタ数を最初に決めるのは k-means
- 「結合基準」と「手法名」を対応させて覚える
## 対応スキル項目（データサイエンス力シート）
- データ分析
- クラスタリング
- ★ クラスタリング手法の特徴を理解している