教師なし学習

1. 教師なし学習とは

基本概念

教師なし学習は、正解ラベルがないデータから隠れたパターンや構造を発見する機械学習手法です。データ自体に含まれる特徴や関係性を見つけ出すことが目的です。

教師あり学習との違い

主な用途

• データの探索的分析
• 顧客セグメンテーション
• 異常検知
• データの可視化
• 前処理（特徴抽出）

2. クラスタリング

概要

似た特徴を持つデータ同士をグループ（クラスタ）に分ける手法です。

K-means法

最も基本的なクラスタリング手法です。

特徴

• 事前にクラスタ数を指定
• 球状のクラスタを想定
• 計算が高速
• 初期値に結果が依存

応用例

• 顧客の購買行動による分類
• 画像の色による分類
• 遺伝子の発現パターン分析

階層クラスタリング

データを階層的にグループ化する手法です。

特徴

• クラスタ数を事前に決める必要がない
• デンドログラム（樹形図）で可視化
• 計算量が多い

DBSCAN

密度ベースのクラスタリング手法です。

特徴

• 任意の形状のクラスタを発見
• 外れ値を自動的に除外
• パラメータ調整が重要

3. 次元削減

概要

高次元データを低次元に変換して、重要な情報を保ちながらデータを簡約化する手法です。

主成分分析（PCA）

最も一般的な次元削減手法です。

特徴

• 分散を最大化する方向を発見
• 線形変換
• 解釈しやすい

応用例

• 画像データの圧縮
• データの可視化
• ノイズ除去
• 前処理としての特徴選択

t-SNE

高次元データの可視化に特化した手法です。

特徴

• 非線形変換
• 局所的な構造を保持
• 2次元・3次元への可視化に優秀

UMAP

t-SNEより高速で、大域的構造も保持する手法です。

4. 異常検知

概要

正常なパターンから外れたデータ（異常値）を検出する手法です。

応用分野

• 不正取引の検出
• システムの故障予測
• ネットワーク侵入検知
• 医療診断での異常発見
• 製造業での品質管理

主な手法

統計的手法

• Z-score法
• 3σ法
• 四分位範囲法

機械学習ベース

• One-Class SVM
• Isolation Forest
• Local Outlier Factor (LOF)

深層学習ベース

• オートエンコーダ
• Variational Autoencoder (VAE)

5. 関連ルール学習

概要

データ間の関連性やルールを発見する手法です。「AならばB」という形式のルールを抽出します。

代表的手法：Apriori算法

頻出アイテム集合とそれらの関連ルールを発見します。

評価指標

支持度（Support）

ルールが適用される頻度

信頼度（Confidence）

条件部が満たされた時に結論部も満たされる確率

リフト値（Lift）

ルールの有用性を示す指標

応用例

• マーケットバスケット分析
• 推薦システム
• ウェブサイトの閲覧パターン分析
• 遺伝子の相関分析