Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

464

5

章 機械学習

ます。クラスタリングアルゴリズムは、データの特性から、ポイント群の最適な分割または離散ラ

ベル付けを学習します。

scikit-learn

では数多くのクラスタリングアルゴリズムが提供されていますが、理解しやすく最も

単純なアルゴリズムは

k

平均法（

k-means

）クラスタリングと呼ばれ、

sklearn.cluster.KMeans

で実

装されています。標準的なモジュールを最初にインポートします。

In[1]: %matplotlib inline

import matplotlib.pyplot as plt

import seaborn as sns; sns.set() # for plot styling

プロットのスタイルを決める

import numpy as np

5.11.1

 

k

平均法の基礎

k

平均法アルゴリズムは、ラベル付けされていない多次元データセット内で与えられた数のクラ

スタを探します。これは、最適なクラスタリングはどのように見えるかという、次のような単純な

概念を使用します。

●

「クラスタの中心」は、クラスタに属するすべてのポイントの算術平均である。

●

各ポイントは、他のクラスタ中心よりも自分の属するクラスタの中心に近い。

この

2

つの前提が、

k

平均法モデルの基礎となります。アルゴリズムがどのようにしてこの解に

至るかについては、後で紹介しますが、まずは単純なデータセットに

k

平均法を適用した結果を見

てみましょう。

まず、

4

つの異なる集団からなる

2

次元のデ