k-means法とk-NN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 clustering

G検定トップ ＞ k-means法とk-NNの違いとは？名前ひっかけ完全対策【G検定頻出】

まず結論

  • k-meansは「教師なし学習のクラスタリング」、
    k-NNは「教師あり学習の分類・回帰」であり、まったく別物である。
  • G検定では「学習の有無（ラベルの有無）」で即切る。

直感的な説明

名前は似ていますが、やっていることは正反対です。

  • k-means
    👉 正解を知らない状態で、データを自動でグループ分け
  • k-NN
    👉 正解を知っていて、近いデータの多数決で予測

つまり、

k-means：分ける
k-NN：当てる

という違いです。

定義・仕組み

k-means法

  • 教師なし学習
  • クラスタリング手法
  • データをK個のクラスタに分割
  • 「平均（mean）」を使って中心を更新

ポイント：

  • 正解ラベルは使わない
  • 非階層的クラスタリング
  • Kは「クラスタ数」

k-NN（k-Nearest Neighbors）

  • 教師あり学習
  • 分類・回帰手法
  • 近傍k個のデータから予測
  • 多数決（分類）や平均（回帰）

ポイント：

  • 正解ラベルが必要
  • 学習というより「記憶型」
  • kは「近傍の数」

いつ使う？（得意・不得意）

k-meansが向く場面

  • データの自動グループ分け
  • 顧客セグメンテーション
  • 前処理としてのクラスタリング

k-NNが向く場面

  • 単純な分類・回帰
  • 学習データが少ない場合
  • モデルを作らずに予測したい場合

G検定ひっかけポイント

ここが試験で一番狙われます。

よくある誤解

  • ❌「kが付いているから同じ系統」
  • ❌「k-meansは分類問題」
  • ❌「k-NNは教師なし」

正しい判断基準（超重要）

  • ラベルを使わない → k-means
  • ラベルを使う → k-NN
  • クラスタリング → k-means
  • 分類・回帰 → k-NN

問題文に
「教師なし」「クラスタリング」
とあれば k-means。

「近傍」「多数決」「分類」
とあれば k-NN。

最終比較表（これだけ見ればOK）

| 項目 | k-means | k-NN | |—|—|—| | 学習形態 | 教師なし | 教師あり | | タスク | クラスタリング | 分類・回帰 | | 正解ラベル | 不要 | 必要 | | kの意味 | クラスタ数 | 近傍数 | | 代表的用途 | グループ分け | 予測 |

まとめ（試験直前用）

  • k-means：教師なし・分ける
  • k-NN：教師あり・当てる
  • kの意味が違う
  • 名前に惑わされない
  • 「ラベルある？」で即判断

🔗 関連記事

🏠 G検トップに戻る