ゼロからはじめるデータサイエンス 第2版 ―Pythonで学ぶ基本と実践

■

289

20

章

 

クラスタリング

それらの集まりが私たちを狂気ではない気高い激しさへと導いたのです

−

ロバート・へリック

●

詩人

本書のアルゴリズムの多くは、教師あり学習に分類されるものです。これはあらか

じめラベル付けされたデータを用いて学習し、その結果を使って別のラベル付けされ

ていないデータの予測を行います。一方、クラスタリングは教師なし学習の一例であ

り、全くラベル付けされていない（または、ラベルが付いていたとしても、それを無視

する）データに対して適用されます。

20.1

 考え方

あらゆるデータは何らかのクラスタを形成しています。億万長者の住まいに関する

データは、おそらくビバリーヒルズやマンハッタンに集中するでしょう。週当たりの労

働時間データは、

40

時間の周辺に固まります（法律で労働時間が

20

時間未満の者に対

する特別手当を規定している場合には

19

時間の辺りに別の集団ができるでしょう）。登

録有権者の分類データは、多様な集団（例えば、「子育てに忙しい母親」、「暇な引退世

代」、「就職していない若者」）を作り、世論調査会社や政策コンサルタントが、その関

連についてあれこれと検討を加えるでしょう。

これまで見てきた問題と異なり、一般的に言うとクラスタリングに「正解」は存在し

ません。異なるクラスタリング手法を使うと、「就職していない若者」ではなく「大学院

生」と「引きこもり」に分かれるかもしれません。どちらの手法がより正確なのかではな

く、「どのようなクラスタが良いクラスタなのか」という判断基準に沿