最終更新日：2026年8月21日
gk 機械学習 頻出
まず結論
教師なし学習とは、学習時に正解ラベルを使わず、データの中にある構造や特徴を見つける方法です。
G検定では、次の言葉が出たら教師なし学習を強く疑います。
クラスタリング
次元削減
構造の発見
正解ラベルを使わない
正解ラベルなしで構造を探す → 教師なし学習
直感的な説明
答えの書いていない大量の写真を渡されて、似ているもの同士に自動でまとめるイメージです。
ラベルなしデータ
↓
似たもの・特徴・分布を探す
↓
まとまりや新しい表現を得る
教師あり学習のように「この写真は猫」という正解を最初から教えるのではなく、データそのものからパターンを見つけるのがポイントです。
定義・仕組み
教師なし学習には、すべての手法に共通する一つの正解を予測する目的があるわけではありません。何を見つけたいかによって使う手法が変わります。
| 目的 | 代表手法 | 得られるもの |
|---|---|---|
| 似たデータをまとめる | k-means、階層型クラスタリング、DBSCAN | クラスタ |
| 特徴を少ない軸で表す | PCA、t-SNE | 低次元表現 |
| 分布を推定する | GMM | 確率分布・所属確率 |
クラスタリング
似たデータをグループ化します。最初から「顧客A」「顧客B」のような正解名が付いているわけではなく、分析者が結果を見て各クラスタの特徴を解釈します。
次元削減
多くの特徴量を、情報をなるべく保ちながら少ない軸で表します。PCAでは元の特徴量を単純に選ぶのではなく、特徴量の組合せから新しい軸を作る点に注意します。
似た学習との違い
- 教師あり学習：正解ラベルを学習に使う
- 自己教師あり学習：データ自身から学習用の目標を作って予測課題を解く
- 強化学習：行動の結果として得られる報酬を手掛かりに方策を学ぶ
いつ使う？（得意・不得意）
得意なこと
- 顧客やデータのグループ分け
- データの可視化や特徴圧縮
- 分布や潜在的な構造の把握
- ラベルを用意しにくいデータの探索
苦手・注意点
- 得られたクラスタや軸の意味を人が解釈する必要がある
- 「正解率」のような単一の評価指標で評価できるとは限らない
- 手法やパラメータによって結果が変わることがある
教師あり学習・教師なし学習・強化学習の全体比較は、3つの学習方法の違いで確認できます。
G検定ひっかけポイント
「正解が存在しない」とは限らない
教師なし学習の判断基準は、学習時に正解ラベルを使わないことです。別途正解情報を用意できるデータであっても、それを学習に使わなければ教師なし学習として扱えます。
クラスタリングと分類を混同しない
正解クラスを予測
→ 分類（教師あり）
似たものをまとめる
→ クラスタリング（教師なし）
PCAは特徴量選択ではない
PCAは、元の特徴量をそのまま選んで残す手法ではありません。元の特徴量を組み合わせた新しい軸へ変換する次元削減です。
異常検知は必ず教師なし、ではない
異常検知は教師なし学習で行うこともありますが、ラベル付きデータを使う教師あり方式もあります。タスク名だけで学習方式を決めないようにします。
正誤を切る判断基準
- クラスタリング・次元削減・構造発見 → 教師なし学習
- 正解ラベルで予測 → 教師あり学習
- 状態・行動・報酬 → 強化学習
まとめ（試験直前用）
- 教師なし学習＝学習時に正解ラベルを使わない
- 主な目的は 構造・まとまり・低次元表現の発見
- k-means → クラスタリング
- PCA → 次元削減
- 分類とクラスタリングを混同しない