---
title: "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】"
description: "k-means法とk-NNの違い名前ひっかけ完全対策について、G検定で問われる特徴量・教師なし学習分野の観点から、目的、前提、モデル構造、入力と出力、評価観点のどこが異なるかを比較します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
last_modified_at: "2026-07-14"
canonical_url: "https://stemtazoo.github.io/gk/k-means-vs-knn/"
section: "gk"
---

## 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