教師なし学習とは？ 10分でわかりやすく解説

教師なし学習とは、正解ラベルのないデータから構造や傾向を見つける機械学習の手法です。何かを「当てる」より、データを整理し、似たものをまとめ、特徴を圧縮し、異常な振る舞いの候補を見つける場面で使われます。読む側が最初に押さえるべき点は、クラスタリングはデータをグループ化する手法であり、次元削減は特徴量を要約して扱いやすくする手法だという違いです。両者は競合ではなく、前処理と分析で組み合わせて使うこともあります。

教師なし学習とは何か

教師なし学習は、ラベルの付いていないデータだけを使って、データの分布、似ているもの同士のまとまり、少数派の振る舞い、特徴量の圧縮表現などを見つける手法です。用途の中心は、データ理解、仮説づくり、前処理、可視化、セグメンテーションです。

教師あり学習との違い

教師あり学習は、入力と正解ラベルの対応を学習して、分類や回帰の予測に使います。対して教師なし学習は、正解ラベルがない状態でデータの構造を探ります。そのため、教師なし学習の出力は「答え」ではなく、「こう分けると解釈しやすい」「この特徴で圧縮できる」「この点は他と離れている」といった分析結果です。

何ができて、何ができないか

教師なし学習でできるのは、顧客群の分割、商品のまとまりの抽出、ログの傾向把握、高次元データの圧縮、自然言語処理や画像データの特徴抽出などです。一方で、「この顧客は必ず解約する」「このメールは必ず不正だ」といったラベル付きの予測を、そのまま高い確度で返すものではありません。得られたクラスタや低次元表現に意味があるかどうかは、業務知識と照合して判断する必要があります。

教師なし学習が向くケース

• ラベル付きデータが十分にない
• まずはデータの全体像をつかみたい
• 似た行動パターンや属性のまとまりを見つけたい
• 特徴量が多すぎて可視化や把握が難しい
• 明らかに他と異なる挙動を候補として抽出したい

教師なし学習だけでは足りないケース

目的が明確な予測や自動判定なら、教師なし学習だけでは不十分なことがあります。たとえば、スパム判定、与信審査、故障分類のように「正解」を前提とした判断では、教師あり学習やルールベースの検証と組み合わせる方が現実的です。教師なし学習は、いきなり意思決定を下すための道具というより、データを理解し、仮説を立てるための土台と考えた方が誤解がありません。

教師なし学習の代表的な手法

代表格はクラスタリングと次元削減です。前者はデータを分ける手法、後者は特徴を圧縮する手法で、役割が違います。

クラスタリング

クラスタリングは、似ているデータ同士を同じグループにまとめる手法です。顧客セグメントの作成、商品群の整理、行動ログのパターン分析などで使われます。重要なのは、「どの特徴量で似ているとみなすか」で結果が大きく変わることです。同じアルゴリズムでも、スケーリングや特徴量選択を変えるだけで別のクラスタになります。

主要なクラスタリング手法

クラスタリング結果の見方

クラスタリングは、クラスタ数や距離尺度の決め方で結果が変わります。シルエット係数、Davies-Bouldin指数、Calinski-Harabasz指数などの指標は使えますが、指標がよいからといって、そのままビジネス上意味のある分け方になるとは限りません。実務では、統計的なまとまりと現場での解釈可能性の両方を確認する必要があります。

次元削減

次元削減は、多数の特徴量を少数の軸に要約する手法です。目的は、可視化しやすくすること、計算を軽くすること、冗長な情報を減らすことです。クラスタリングの前処理として使うこともあります。

主な次元削減手法

次元削減を使うときの注意点

次元削減は便利ですが、何を捨てて何を残したかを意識しなければなりません。PCAは分散を残す方向を選ぶため、必ずしも業務上重要な特徴を優先するとは限りません。t-SNEは可視化には有効でも、距離やクラスタの大きさを厳密に比較する用途には向きません。低次元化した結果をそのまま真実と受け取るのではなく、元の特徴量との対応を見直す作業が必要です。

ビジネスでの活用例

教師なし学習は、ラベルづけが難しい現場ほど使いどころがあります。ただし、手法先行で導入すると失敗しやすく、業務課題と結びつけて設計する必要があります。

顧客セグメンテーション

購買履歴、訪問頻度、利用チャネル、単価などから顧客を複数の群に分ける使い方です。同じ「優良顧客」でも、高単価だが頻度が低い群と、単価は低いが継続率が高い群では施策が変わります。クラスタリングは、その切り分けを支援します。

異常な振る舞いの候補抽出

セキュリティログや設備ログでは、明確なラベルがなくても「普段と違う動き」を抽出したいことがあります。この場合、教師なし学習は過学習を避けながら正常パターンの偏りを把握し、そこから外れるデータを候補として拾う用途で使われます。ただし、異常検知は誤検知も多くなりやすいため、運用ルールとセットで評価する必要があります。

高次元データの可視化

テキスト埋め込み、画像特徴、行動ログなどは、そのままでは人が把握しにくい高次元データです。次元削減を使うと、似た文書群、近い画像群、行動の傾向が見えやすくなります。探索分析や説明資料づくりの段階で特に有効です。

製造・品質管理でのパターン把握

センサーデータや検査データをグループ化すると、同じ不良でも発生条件が違う群が見つかることがあります。こうした分析は、原因切り分けや検査工程の見直しにつながります。重要なのは、機械的にクラスタを作って終わらず、製造条件や設備情報と照らし合わせることです。

教師なし学習を実務で使うときのポイント

前処理で結果が大きく変わる

教師なし学習では、欠損値処理、外れ値の扱い、標準化・正規化の影響が大きく出ます。特に距離ベースのクラスタリングでは、スケールの大きい特徴量が結果を支配しやすくなります。前処理を雑にすると、アルゴリズムの比較以前に結果が歪みます。

特徴量選択を軽く見ない

教師なし学習は、特徴量に含まれる情報をそのまま拾います。意味の薄い特徴量や重複した特徴量を多く入れると、解釈しづらいクラスタや不安定な低次元表現が出やすくなります。特徴量は「多ければよい」ではなく、「目的に対して妥当か」で選ぶ必要があります。

評価は指標だけで終えない

内部評価指標は便利ですが、最終判断には足りません。たとえば、3つのクラスタに分けた結果が数値上はよくても、営業施策や運用ルールに落とし込めないなら価値は限定的です。分析結果を使う部門と一緒に、意味のある分かれ方かどうかを確認する必要があります。

ハイパーパラメータの妥当性を見る

K-meansのクラスタ数、DBSCANのepsやmin_samples、t-SNEのperplexityなどは、結果を大きく変えます。教師なし学習では正解ラベルがないため、パラメータ探索はなおさら慎重に行う必要があります。複数設定で比較し、結果の安定性を見る姿勢が重要です。

意思決定の前に検証を入れる

教師なし学習は、仮説生成に強い反面、そのまま施策へ直結させると解釈ミスの危険があります。分析で見つかった群を小規模施策で試す、業務担当者に説明して妥当性を確認する、別手法でも同じ傾向が出るかを見るといった検証が必要です。

まとめ

教師なし学習は、ラベルのないデータから構造や傾向を見つけるための機械学習手法です。中心になるのは、データをグループ化するクラスタリングと、特徴を圧縮して扱いやすくする次元削減です。どちらも予測の代わりになるものではなく、データ理解、仮説生成、前処理、可視化に強みがあります。

実務で重要なのは、アルゴリズム名を覚えることではありません。何を知りたいのかを先に決め、前処理、特徴量、評価、解釈を一貫して設計することです。教師なし学習は、正しく使えばデータの見え方を変えますが、雑に使うと意味のないグループ分けで終わります。結果を業務に接続できるかどうかが成否を分けます。

教師なし学習に関するよくある質問