クラスタリングと次元削減の違いは関連概念を切り分けるための考え方です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk unsupervised_learning

G検定トップ ＞ クラスタリングと次元削減の違い【最終混同対策・G検定】

まず結論

  • クラスタリングは「データをグループ分けする手法」、
    次元削減は「データの次元（特徴量数）を減らす手法」であり、
    目的も出力もまったく異なる。
  • G検定では「PCAやSVDをクラスタリングと誤認させる」選択肢が頻出する。

直感的な説明

クラスタリング

  • 「似ているもの同士をまとめる」
  • 人をグループ分けするイメージ
  • 結果：グループ（クラスタ）番号

次元削減

  • 「情報を保ったまま圧縮する」
  • 写真を軽量化するイメージ
  • 結果：特徴量の少ない新しいデータ

👉

  • 分けるか？ → クラスタリング
  • 圧縮するか？ → 次元削減

定義・仕組み

クラスタリングの定義

  • データ間の類似度に基づき
  • データを複数のグループに分割する手法
  • 教師なし学習に分類される

代表例：

  • k-means
  • 階層型クラスタリング
  • DBSCAN

次元削減の定義

  • 多次元の特徴量を
  • 情報をできるだけ保ったまま低次元に変換する手法
  • 教師なし学習に分類される

代表例：

  • 主成分分析（PCA）
  • 特異値分解（SVD）
  • オートエンコーダ

いつ使う？（得意・不得意）

クラスタリングを使う場面

  • データを分類・整理したい
  • 顧客セグメンテーション
  • グループ構造を知りたい

次元削減を使う場面

  • 特徴量が多すぎる
  • 可視化したい（2次元・3次元）
  • 学習を高速化したい
  • ノイズを減らしたい

👉
次元削減 → 前処理
クラスタリング → 分析目的そのもの

G検定ひっかけポイント

  • ❌「PCAはクラスタリング手法である」
  • ❌「SVDでクラスタ分けを行う」

  • ❌「デンドログラムは次元削減の結果」

  • ✅「PCA / SVDは次元削減」
  • ✅「クラスタリングはグループ番号を出力」
  • ✅「次元削減は新しい特徴量を出力」

超重要な判断基準

  • 出力が ラベル（グループ） → クラスタリング
  • 出力が 座標・特徴量 → 次元削減

まとめ（試験直前用）

  • クラスタリング＝分ける
  • 次元削減＝減らす
  • 両方とも教師なし学習だが目的が違う
  • PCA / SVD / オートエンコーダは次元削減
  • k-means / 階層型はクラスタリング
  • 「何を出力するか」で即判断

🔗 関連記事

🏠 G検トップに戻る