最終更新日：2026年8月22日
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：似たデータをグループへ分ける
- 次元削減：データをより少ない次元の表現へ変換する
G検定では、出力がクラスタなのか、低次元の特徴表現なのかを見ると切り分けやすいです。
直感的な説明
- クラスタリング → 「人を似たタイプごとにグループ分け」
- 次元削減 → 「多くの特徴を、少数の軸へ要約」
どちらも教師なし学習の文脈で登場しますが、目的が違います。
定義・仕組み
クラスタリング
データ間の距離・類似度などを使い、グループ構造を見つけます。
代表例：
- k-means
- 階層型クラスタリング
- DBSCAN
次元削減
元の高次元データを、より少ない次元で表現します。
代表例：
- PCA
- SVDを利用した低ランク近似
- t-SNE / UMAP（主に可視化など）
- オートエンコーダによる低次元表現
「情報を完全に保ったまま圧縮できる」とは限りません。次元を減らす過程では、目的に応じて情報の一部を捨てたり、構造を近似したりします。
いつ使う？（得意・不得意）
クラスタリングも次元削減も、前処理にも最終的な分析にも使われます。
- 次元削減 → 可視化、ノイズ低減、計算量削減、特徴抽出など
- クラスタリング → 顧客セグメンテーション、探索的分析、特徴量生成など
したがって、
次元削減＝前処理だけ
クラスタリング＝分析目的だけ
という固定的な区分はしません。
G検定ひっかけポイント
- ❌「PCAはクラスタリング」→ 次元削減
- ❌「デンドログラムは次元削減の結果」→ 階層型クラスタリングの可視化
- ❌「次元削減は必ず全情報を保持する」→ 近似・情報損失があり得る
- ⭕「クラスタ番号・グループ構造」→ クラスタリング
- ⭕「低次元の座標・成分」→ 次元削減
まとめ（試験直前用）
- クラスタリング＝グループを見つける
- 次元削減＝低次元表現へ変換する
- k-means・階層型 → クラスタリング
- PCA・SVDなど → 次元削減に利用
- 出力がグループか、低次元表現かで切る