クラスター分析（クラスタリング）の方法・歴史・応用

基本概念と分類

クラスター分析では、観測値どうしの類似度または距離をどう定義するかが重要になる。代表的な方法には、データを重なりのない部分集合に分ける分割法、木構造のように入れ子状のクラスターを作る階層的手法、密度の高い領域を見つける密度ベース手法がある。ほかにも、重心ベース、モデルベース、グラフベース、スペクトル・クラスタリングなどの区別がある。適切な方法は、データの規模、クラスターの形、ノイズの量、そして解釈したい内容によって変わる。

アルゴリズムと実務上の要点

• k-means: 速い重心ベースの分割法で、球状のクラスターや大規模データに向く。
• 階層的クラスター分析: 入れ子構造を示すデンドログラムを作成し、可視化や粒度の選択に有用。
• DBSCAN と OPTICS: 形が任意のクラスターや外れ値を検出できる密度ベース手法。
• ガウス混合モデル: 重なりのあるクラスターを扱いやすい確率的なモデルベース手法。

実務では、特徴量の選択、尺度のそろえ方、距離尺度の選定が重要であり、内部指標や外部指標を使って結果を検証する。特徴量が多い場合は、不要な変数を減らし、比較しやすい形に整えることもある。前処理の違いによって距離の意味が変わるため、条件をそろえて検討することが大切である。

歴史と発展

クラスター分析は、生物学、心理学、市場調査など複数の分野で発展し、計算技術の進歩とともに成熟した。初期の階層的手法や分割法の考え方は20世紀半ばまでさかのぼる。のちに統計モデルと高次元・大容量データに対応する拡張可能なアルゴリズムが統合され、計算機の発展と機械学習、データマイニングへの応用が後押しした（関連文献を参照）。

応用と評価

クラスター分析は、顧客セグメンテーション、画像解析、バイオインフォマティクス（たとえば遺伝子発現パターン）、文書やトピックのグループ化、異常検知、地理情報やソーシャルネットワークの分析などに用いられる。対象を大まかにまとめる場合にも、細かく分けて違いを見たい場合にも使われる。クラスターの評価には、シルエット係数、Davies–Bouldin指数、そして利用できる場合は既知ラベルとの比較がよく使われる。さまざまな設定や可視化手法を試せるよう、各種アルゴリズムを実装したツールやライブラリもある（さらに詳しい資料）。

限界と注目点

クラスター分析の結果は、選ぶ特徴量、前処理、パラメータ設定に大きく左右され、万能の最良アルゴリズムは存在しない。特にノイズが多いデータや高次元データでは、解釈可能性と再現性が難しくなることがある。にもかかわらず、クラスター分析は構造を明らかにし、次の分析を導くための基礎的な探索手法として重要であり続けている。