---
title: "教師なし学習"
description: "教師なし学習は、正解ラベルのないデータから、まとまり、分布、低次元構造などを発見する方法です。クラスタリング、次元削減、密度推定の目的を切り分け、教師あり分類・自己教師あり学習・強化学習との違いをG検定の判断軸で整理します。"
last_modified_at: "2026-06-27"
canonical_url: "https://stemtazoo.github.io/gk/unsupervised-learning/"
section: "gk"
---

## まず結論
教師なし学習とは、**正解ラベルのないデータから、データの構造や特徴を見つけ出す学習方法**です。

---

## 直感的な説明
答えのない大量のデータを渡されて、  
「似ているもの同士をまとめる」「特徴ごとに整理する」  
そんな作業を **人の代わりに自動でやってくれる** のが教師なし学習です。

例えるなら、  
👉 **答えの書いていない写真を、見た目が似ている順に分類する** イメージです。

---

## 代表的な手法・キーワード
### クラスタリング
- **k-means**
- 階層的クラスタリング
- DBSCAN  

👉 データを「似ているグループ」に分ける

### 次元削減
- **主成分分析（PCA）**
- t-SNE  

👉 情報をなるべく保ったまま、特徴量を減らす

### 密度推定
- ガウス混合モデル（GMM）

## 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。データの中から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 | クラスタ |
| 特徴を少数の軸に圧縮する | PCA、t-SNE | 低次元表現 |
| データの分布を推定する | GMM | 確率分布・所属確率 |
| 潜在的な話題を見つける | LDA | トピック構成 |

クラスタには最初から「顧客A」「顧客B」のような正解名が付いているわけではありません。分析者が結果を見て、各クラスタの特徴を解釈します。

### 似た学習との違い

- 教師あり学習：人などが用意した正解ラベルを使う
- 自己教師あり学習：データ自身から疑似的な正解を作り、予測課題を解く
- 強化学習：行動に対する報酬を手掛かりに方策を学ぶ

---

## 教師あり学習との違い

| 項目 | 教師あり学習 | 教師なし学習 |
| --- | --- | --- |
| 正解ラベル | ある | **ない** |
| 目的 | 予測・分類 | **構造の発見** |
| 代表例 | 回帰・分類 | クラスタリング |

---

## G検定ひっかけポイント
- **k-meansは教師なし学習**
- PCAは「次元削減」だが **教師なし学習**
- 教師なし学習は「分類問題」とは言わない  
  → **クラスタリング**

---

## よくある勘違い
- ❌ 正解がない＝学習できない  
  → ⭕ データの構造を学習している
- ❌ 教師なし学習は精度評価できない  
  → ⭕ 目的に応じた指標は存在する
- ❌ クラスタリングは正解クラスを予測する分類問題
  → ⭕ 正解ラベルなしで似たデータのまとまりを発見する
- ❌ PCAは特徴量を選んで残す
  → ⭕ 元の特徴量を組み合わせた新しい軸へ変換する

---

## まとめ（試験直前用）
- 教師なし学習＝**正解ラベルなし**
- 目的は **構造・特徴の発見**
- k-means / PCA は超頻出