データサイエンス設計マニュアル

10.5 クラスタリング 301

10.5 クラスタリング

クラ

スタリングとは、類似性に基づいて点をグループにまとめる問題を指す。要素は少数の論理的な

「ソース」や「説明」を持つことが多い。クラスタリングは、それらを明確にする方法として優れている。異

星人が人類の身長と体重のデータを見るようなことがあれば、何と思うだろうか。おそらく、別々の母集団

を持つ 2 つのクラスタがあるらしいということに気付くだろう。片方がもう片方よりも一貫して大きいので

ある。その異星人たちが本当に有能であれば、2 つの母集団を「男性」と「女性」と呼ぶだろう。実際、図

10 -11 の 2 つの身長—体重クラスタはともに、どちらかの性に集中している。

2 次元散布図のパターンは一般にわかりやすいが、我々は人間が可視化できない高次元データを扱うこと

も多い。そのようなときには、我々の代わりにパターンを見つけてくれるアルゴリズムが必要だ。クラスタ

リングは、おそらく面白いデータセットを前にして最初に行うことだろう。クラスタリングの応用として

は、次のようなものが考えられる。

• 仮説設定：（例えば）データセットが 4 種類の母集団からとられたもののように見えるとすれば、す

ぐに、なぜそのようなものができたのかという疑問が生まれる。これらのクラスタが密集しており、

十分離れているなら、何らかの理由があるに違いないし、その理由を明らかにするのはデータサイエ

ンティストの仕事だ。個々の要素にクラスタラベルを付けたら、同じクラスタに属する代表的なデー ...