手元に顧客リストや売上の履歴があっても、どの軸で分けて見ればよいのか基準が決まっていないことがあります。アンケートの自由記述が何千件もたまっているのに、分類の軸そのものを誰も決めていない、という場面もあります。正解のラベルを人が付けないまま、データ自体の中から特徴やまとまりを見つける方法が教師なし学習です。この記事では AWS の公式解説をもとに、教師なし学習とはどういう訓練方法なのか、代表例のクラスタリングがどんな結果を出し、その結果をどう読むのかまでを順に説明します。
この記事で分かること
- 教師なし学習の定義と教師あり学習との違い
- クラスタリングを含む代表的な手法と扱う問題
- クラスタリングの結果(ハード・ソフト・確率的)の読み方
- 分析を進める順番とつまずきやすい点への対策
要点
- 教師なし学習は、ラベルの付いていないデータセットのデータから、人の監督や介入なしに学ぶ機械学習(ML)の訓練方法です。モデルは明示的な指示なしに、データの中のパターンと示唆を見つけます
- 代表的な手法は、クラスタリング、アソシエーションルールマイニング、密度推定、異常検知、次元削減です。生成モデルも教師なし学習の中に位置づけられています
- クラスタリングは、データ点どうしの類似度によって異なる分類のデータを識別します。グラフの中では点と点の距離として表されます
- 結果は3通りの形で返ります。1つの点が1つのクラスタにだけ属するハード、複数のグループに当てはまるソフト、属する可能性を確率で表す確率的です
- 教師なし学習は教師あり学習より実装が難しいのが一般的で、正確に訓練するには大量のデータと相応の処理能力が必要になります
教師なし学習とは何か
正解のラベルを付けずに学ぶ訓練方法
AWS の解説では、教師なし学習は、ラベルの付いていないデータセットの中のデータから、人の監督や介入なしに学ぶ機械学習の訓練方法だと説明されています。ラベルとは、データ1件ごとに人が付けた正解のタグのことです。「この取引は不正」「この文書は契約書」と1件ずつ印を付けたデータがラベル付きデータで、教師なし学習はその印がないデータを扱います。
教師なし学習のモデルは、明示的な指示なしに、データの中のパターンと示唆を見つけます。出典では文書アーカイブを分類する例が挙げられ、訓練によって「press release」「contract」「financial documents」といったカテゴリタグが自動で生成され、訓練が済んだあとは新しく入ってくる文書もモデルが自動で分類すると説明されています。
人が先に分類の箱を用意したのではなく、データの集まりを見てモデルの側がまとまりを作り、そのまとまりにあたるタグが生まれています。分類の軸自体をデータから作るのが教師なし学習の役割だと考えると、理解しやすくなります。
どんな場面で使われているか
教師なし学習の技術は、膨大なデータセットの中のパターンや関係を特定するために使われます。出典に挙げられている例は次のとおりです。
- 不正検知では、通常の取引の速度、金額、種類を学習し、不正が起きているかもしれないときを判断して取引を止めます
- 医療画像の解析では、典型的な医療上の構造を学習し、異常がどこにあるかを特定します
- 侵入検知は、通常のネットワークトラフィックのパターンを学習し、異常を見つけることで実現されます
- 顧客セグメンテーションでは、ある顧客がどの顧客グループに当てはまるかを学習します
- 遺伝子解析では、関連のパターンを学習し、遺伝的なコーディングに基づいてどの条件がしばしば同時に起こるかを見ます
出典では、分類はさまざまな領域の多様な問題に適用できるため、教師なし学習の応用はほぼ無限にあるとされています。並べてみると、いずれも「正常なふるまいをまず覚える」「似たものをまとめる」という共通点があります。
教師あり学習との違い
教師あり学習は、すでにラベル付けされた入力データ点でモデルを訓練し、新しく入ってくるデータも同じようにラベル付けされるようにする方法です。出典の例では、信用承認の予測に、credit score、income、employment history といった特徴量と、信用が承認されたか拒否されたかを示すラベルを持つデータセットを使います。これに対し、教師なし学習のモデルはラベルの付いていないデータで訓練されます。
| 項目 | 教師あり学習 | 教師なし学習 |
|---|---|---|
| 訓練に使うデータ | すでにラベル付けされた入力データ点 | ラベルの付いていないデータ |
| 学習の方向づけ | アルゴリズムをすでに正しい方向へ向けている | アルゴリズム自身以外に方向づけがなく入力データから自力でパターンを見つける |
| 出典にある例 | 信用承認の予測 | 文書アーカイブの分類 |
| 実装の難しさ | 公式ページで確認 | 教師あり学習の手法より実装が難しいのが一般的 |
出典では、教師なし学習の手法は教師あり学習の手法より実装が難しいのが一般的だと説明されています。教師ありではアルゴリズムをあらかじめ正しい方向に向けているのに対し、教師なしではアルゴリズム自身以外に方向づけがなく、入力データから自力でパターンを見つける必要があるためです。
一部だけラベルがあるときは半教師あり学習
実務では、データセットの一部だけがラベル付けされている、あるいは手作業でラベル付けできるのが一部だけ、ということがあります。出典では、その場合に半教師あり学習を使えると説明されています。まずラベル付きの入力データで教師あり学習によってモデルを訓練し、そのあと残りのラベルなしデータを教師なし学習で訓練するという順番です。全件にラベルを付けるのが現実的でないときの選択肢として覚えておくとよいでしょう。
代表的な手法を押さえる
クラスタリング
クラスタリングのアルゴリズムは、データ点どうしの類似度によって、異なる分類に属するデータを識別します。グラフの中では、点と点の距離として示されます。似ているものは近く、似ていないものは遠くに置かれるイメージです。3つの型と結果の読み方は次の章で詳しく見ます。
アソシエーションルールマイニング
アソシエーションルールマイニングは、データの中の変数の間にある興味深い関係のパターンを見つける手法です。最も有名な応用はマーケットバスケット分析で、食料品店でどの品物が一緒によく買われているかを見つけます。出典ではパスタソースとパスタが例に挙げられています。Apriori、Eclat、Frequent Pattern Growth(FPG)は、いずれもアソシエーションルールマイニングの一種です。
密度推定
密度推定は、モデルがデータセットの背後にある確率分布を推測する機械学習の手法です。出典の例では、温度、湿度、光の量といったセンサーデータを使って、自動運転の温室が期待どおりに動いているか、それとも保守が必要かを判断できるとされています。Kernel Density Estimation は、密度推定の具体的なアルゴリズムの例です。
異常検知
データセットは異常検知によって評価でき、データの中でどうもしっくり当てはまらない外れ値を見つけられます。出典では、監視カメラの映像から盗難の可能性がある事案を特定する例が挙げられています。異常検知のアルゴリズムには Isolation Forests や One-Class Support Vector Machines といった種類があります。
次元削減
次元削減は、ほかの教師なし学習の技術の前に使われます。前処理の段階で「ノイズ」つまり余分で不要な変数をデータから取り除き、モデル訓練にかかる負荷を減らすものです。項目数が多すぎるデータをそのまま投入する前に通す工程だと考えると位置づけが分かります。
生成モデル
教師なし機械学習における生成 AI のモデルは、ラベルのないデータの背後にあるパターンと構造を学習し、元のデータに似た新しいデータのインスタンスを生成するアルゴリズムです。出典では、generator と discriminator という2つのニューラルネットワークを含みそれらを同時に訓練する GAN、入力を出力で再現するよう訓練されるオートエンコーダーをもとにし入力データを潜在空間上の分布として表現する VAE、指定された順序でデータを一片ずつ生成する PixelRNN や PixelCNN のような自己回帰モデル、データをより単純な典型的にはガウス分布へ写す変換を学習する Normalizing flows が例に挙げられています。
クラスタリングの例と結果の読み方
クラスタリングは「似たものをまとめる」手法ですが、まとめ方が3通りあり、返ってくる結果の形がそれぞれ違います。結果の形を知らないまま数字を見ると、読み間違いが起きやすくなります。
ハードクラスタリング
ハードクラスタリング、別名で排他的クラスタリングは、それぞれのデータ点が1つのクラスタにだけ属する教師なし学習の手法です。この手法は、境界がはっきりしているデータに使われます。出典では、1つの果物だけが写った画像でどの種類の果物かを識別する例が挙げられています。K means クラスタリングのアルゴリズムと階層的クラスタリングが、ハードクラスタリングの具体的な手法です。
結果は「この1件はクラスタ2」という形で、1件につき1つの番号が返ります。読み方としては、まず各クラスタに何件入ったかを見て、次にクラスタごとに元の項目の平均や分布を比べる、という順で見ていくと中身がつかみやすくなります。K-Means については、出典に、データの中の離散的なグルーピングを見つけ、同じグループのメンバーは互いにできる限り似ており、ほかのグループのメンバーとはできる限り異なるようにする、という説明があります。この性質を踏まえると、クラスタの違いが出ている項目を探すのが読み解きの入口になると考えられます。
ソフトクラスタリング
ソフトクラスタリング、別名で重なりのあるクラスタリングは、データが複数のグループに当てはまりうる教師なし学習の手法です。アルゴリズムは、あるデータ点が特定のグループにどの程度当てはまるか、その度合いを出力します。Fuzzy C-Means と Fuzzy clustering by Local Approximation of MEmberships(FLAME)は、どちらもソフトクラスタリングの手法です。
ここでの結果は、1件につき「グループ A に 0.7、グループ B に 0.3」のような度合いの一覧になります。読み方の考え方としては、度合いが1つのグループに大きく偏っている件と、複数に散らばっている件を分けて見るとよいでしょう。散らばっている件は性格が混ざっている対象で、1つの箱へ押し込むより「どちらの性格も持つ層」として扱ったほうが説明しやすい、という整理ができます。
確率的クラスタリング
確率的クラスタリング、別名で分布ベースのクラスタリングは、あるデータ点が特定のクラスタに属する可能性を確率で表す教師なし学習の手法です。確率的クラスタリングは排他的にも、重なりのある形にもなりえます。出典では、スーパーマーケットでの買い物行動を分析する顧客セグメンテーションの中で、ある人が高支出 35%、中支出 60%、低支出 15% のカテゴリに当てはまるかもしれない、という例が示されています。Gaussian Mixture Models(GMM)のようなガウシアンクラスタリングの手法は確率的クラスタリングの一種で、データがガウス分布に従う場合のものです。
この 35%、60%、15% という並びは、結果の読み方を考えるのにちょうどよい例です。この人を「中支出の客」と一言でまとめることもできますが、同時に高支出である可能性も 35% 示されています。数字を見るときは、最も高い値だけを拾って断定するのではなく、2番目の値との差も一緒に見ると、どれくらい自信を持って扱える分類なのかが見えてきます。差が小さい対象は、販促の出し分けを強く変えるより、様子を見る対象として扱う、という判断もできます。
結果を読むときの考え方
ここは出典に手順として書かれている部分ではないので、考え方として挙げます。
- クラスタの番号そのものに意味はありません。1番が上位、2番が下位ということではないため、番号ではなく中身の特徴で呼び名を考えるとよいでしょう
- 呼び名は仮の見立てとして扱い、現場の担当者に見せて違和感がないか確かめる流れにすると、読み間違いに気づきやすくなります
- ソフトや確率的な結果では、境界にいる対象が出てきます。その扱いを先に決めておくと、分析結果を運用に乗せやすくなります
- 件数が極端に少ないクラスタが出たときは、重要な少数派なのか外れ値の集まりなのかを分けて考えます。外れ値そのものを見たい場合は、異常検知という別の手法が用意されています
分析を進める手順とプロンプト例
出典に書かれている範囲で、教師なし学習を進めるときの流れと注意点を順番に並べます。ツールの画面操作については出典に手順の記載がないため、実際に動かすときは公式のヘルプの手順に沿って進めてください。
- ラベルの状況を確かめます。データセットの一部だけがラベル付けされている、あるいは手作業でラベル付けできるのが一部だけの場合は、半教師あり学習が使えます
- 半教師あり学習の場合は、まずラベル付きの入力データで教師あり学習によってモデルを訓練し、そのあと残りのラベルなしデータを教師なし学習で訓練します
- 前処理として次元削減を行います。次元削減はほかの教師なし学習の技術の前に使うもので、ノイズつまり余分で不要な変数を取り除き、モデル訓練にかかる負荷を減らします
- 手法とアルゴリズムを選びます。出典では、ハードクラスタリングのモデルが必要だと分かっていても、そのタスクに最も合う教師なし学習のアルゴリズムを選ぶのは難しいことがあると指摘されています
- 訓練データを用意します。教師なし学習のモデルを正確に訓練するには、特に生成系のモデルで大量の訓練データが必要です。その訓練データを集め、きれいで正しい状態にすることが課題になります
- 訓練にかかる時間と計算資源を見積もります。教師なし学習のモデルの訓練は長い時間がかかり、大きな処理能力を伴うことがあります
- 運用に入ったあとも見直します。データが時間とともに変化したり増えたりしたとき、fine-tuning や retrieval augmented generation(RAG)のような技術でモデルが補強されていないと、予測の精度が落ち始めることがあります
使い分けの考え方(目安)
次の表は、出典にある各手法の説明をもとにした用途ごとの向き不向きの目安で、優劣を示すものではありません。
| やりたいこと | 向きそうな手法 | 結果の形のイメージ |
|---|---|---|
| 顧客や文書を似たものどうしでまとめたい | クラスタリング | 所属するクラスタ、または当てはまる度合いや確率 |
| 一緒に起こりやすい組み合わせを知りたい | アソシエーションルールマイニング | 変数の間の関係のパターン |
| 普段と違う動きだけを拾いたい | 異常検知 | データの中の外れ値 |
| 全体として期待どおりの状態かを見たい | 密度推定 | 背後にある確率分布の推測 |
| 項目が多すぎて扱いにくい | 次元削減 | ノイズを取り除いたデータ |
AI に整理を手伝ってもらうプロンプト例
ChatGPT のようなチャット型の AI は、手元のデータをどう捉えるかを一緒に整理する相手として使えます。以下は考え方を整える目的のプロンプト例です。データそのものを扱う場合は、社内の情報の取り扱いルールを先に確認してください。
あなたはデータ分析の初学者向けの講師です。
私の状況:小売店の会員3万件のデータ(年齢、来店頻度、購入金額、購入カテゴリ)があり、正解のラベルは付いていません。
やりたいこと:似た会員同士をまとめて、販促の出し分けの手がかりにしたい。
依頼:この状況が教師なし学習のどの手法に当たるのかを説明したうえで、
(1) 分析の前に決めておくべきこと
(2) 結果が出たあとに確認すべきこと
を、それぞれ箇条書き5つ以内で、専門用語には短い説明を付けて示してください。
クラスタリングの結果の読み方を練習したいです。
前提:ある顧客について「高支出 35%、中支出 60%、低支出 15%」という確率の形で結果が出ました。
依頼:この数字から言えること、言えないことを分けて説明してください。
出力の形:
- 言えること(3点)
- 言い切れないこと(3点)
- この顧客への対応を決めるときに追加で見たい情報(3点)
各項目は1文、合計400字以内でお願いします。
社内の勉強会で「教師あり学習と教師なし学習の違い」を5分で説明します。
聞き手:データ分析の経験がない事務職と営業職10名。
依頼:違いを、ラベルの有無・向いている問題・結果の形という3つの観点で整理し、
それぞれに身近な例を1つ添えた台本を作ってください。
条件:数式を使わない。専門用語は初出で10字程度の言い換えを付ける。全体で900字前後。
よくある失敗と対策
正解率を求めてしまう
教師なし学習はラベルの付いていないデータで訓練されるため、教師あり学習のように「正解と比べて何%当たったか」という形では評価しにくくなります。出典でも、教師なし学習はアルゴリズム自身以外に方向づけがなく、入力データから自力でパターンを見つけなければならないと説明されています。対策としては、結果が現場の感覚と合うか、分けた結果が業務の判断に使えるかという観点で確かめる形に切り替えるとよいでしょう。
前処理を飛ばして項目を全部投入する
次元削減は、ほかの教師なし学習の技術の前に使い、ノイズつまり余分で不要な変数を取り除いて訓練の負荷を減らすものです。項目を増やせば精度が上がるという発想で全部を投入すると、負荷が増えるだけで見通しも悪くなりがちです。どの項目が分析の目的に関係するのかを先に整理する時間を取ることをおすすめします。
少ないデータで結論を出す
教師なし学習のモデルを正確に訓練するには、特に生成系のモデルで大量の訓練データが必要です。さらに、その訓練データを集め、きれいで正しい状態にすること自体が課題だと出典は指摘しています。少量のデータで出たクラスタを社内の方針にそのまま反映させると、後から崩れることがあります。まずは小さく試して、データが足りているかを確認する段取りにしておくと安心です。
一度作って放置する
データが時間とともに変化したり増えたりしたとき、fine-tuning や retrieval augmented generation(RAG)のような技術でモデルが補強されていないと、予測の精度が落ち始めることがあります。季節性のある商材や、顧客層が動いている事業では特に当てはまります。見直す時期をあらかじめ決めておく運用にすると、気づかないまま精度が下がる事態を避けやすくなります。
職種別の使い方の例
ここで挙げるのは、出典にある応用例をもとにした使い方の例で、特定の機能や仕様の説明ではありません。
営業
出典では、顧客セグメンテーションは、ある顧客がどの顧客グループに当てはまるかを学習するものだと説明されています。営業であれば、顧客をまとめた結果を見て、グループごとに声のかけ方や提案の切り口を考える、という使い方が考えられます。確率の形で結果が出た場合は、確率が高いグループに寄せた提案を用意しつつ、2番目のグループの可能性も残しておく、という読み方をするとよいでしょう。
事務
出典では、教師なし学習のタスクとして文書アーカイブの分類が挙げられ、訓練によって press release、contract、financial documents といったカテゴリタグが自動生成され、訓練後は新しく入ってくる文書も自動で分類されると説明されています。事務の仕事では、たまった書類やメールの仕分けの基準を考える場面でこの発想が役立ちます。現状の書類がどんなまとまりに分かれるのかを把握してから保管ルールを決める、という進め方が考えられます。
企画
アソシエーションルールマイニングは、変数の間の興味深い関係のパターンを見つける手法で、マーケットバスケット分析では食料品店でどの品物が一緒によく買われているかを見つけます。企画の仕事では、同時に選ばれやすい組み合わせを手がかりにセット提案や棚割りの案を考える、という使い方が考えられます。見つかった組み合わせは仮説の材料として扱い、実際に試して確かめる流れにするのが無理のない進め方です。
よくある質問
教師なし学習と教師あり学習はどう選べばいいですか
出典の説明に沿うと、分けたい答えのラベルがすでにあるなら教師あり学習、ラベルがなくデータの中のパターンを見つけたいなら教師なし学習という対応になります。教師あり学習ではアルゴリズムをあらかじめ正しい方向に向けていますが、教師なし学習ではその方向づけがないため、実装は一般に難しくなります。ラベルが一部だけある場合は半教師あり学習という選択肢があります。
クラスタはいくつに分けるのが正しいのですか
出典では、モデル選択の難しさについて、ハードクラスタリングのモデルが必要だと分かっていても、そのタスクに最も合う教師なし学習のアルゴリズムを選ぶのは難しいことがあると説明されています。実務では複数の分け方を試し、業務の判断に使えるかという観点で選ぶ進め方が現実的です。
生成 AI も教師なし学習なのですか
出典では、教師なし機械学習における生成 AI のモデルは、ラベルのないデータの背後にあるパターンと構造を学習し、元のデータに似た新しいデータのインスタンスを生成するアルゴリズムだと説明されています。データセットから学習したあとでデータ点を作り出せるため、生成(generative)と呼ばれます。例として GAN、VAE、自己回帰モデル、Normalizing flows が挙げられています。
データはどれくらい必要ですか
出典では、教師なし学習のモデルを正確に訓練するには、特に生成系のモデルで大量の訓練データが必要だとされています。あわせて、その訓練データを集め、きれいで正しい状態にすること自体が課題だと指摘されています。件数だけでなく、データの状態を整える手間も見込んでおくとよいでしょう。
クラウドのサービスでは何が使えますか
出典では Amazon SageMaker が、データを準備し、あらゆるユースケースの機械学習モデルを構築、訓練、デプロイするためのフルマネージドサービスだと説明され、クラスタリング、次元削減、パターン認識、異常検知といった教師なし学習のタスクに使える組み込みアルゴリズムが複数提供されているとされています。具体例として K-Means、Principal Component Analysis(PCA)、Random Cut Forest(RCF)、IP Insights が挙げられています。料金や提供条件は変わることがあるため、利用の前に公式ページで最新の情報を確かめてください。
会社やチームで使うなら
教師なし学習の結果は、出した時点では仮の見立てです。クラスタに付けた呼び名、境界にいる対象の扱い、見直しの時期といった判断を誰がどう決めるのかをチームで先に決めておくと、分析結果が運用に乗りやすくなります。データの持ち出しや外部サービスの利用についても、社内のルールを確認しておく必要があります。法人で AI の導入や社内研修を考える段階なら、累計600社超・5万人以上の AI 活用を支援してきた株式会社デジライズに相談できます。
あわせて読みたい
まとめ
教師なし学習は、ラベルの付いていないデータから、人の監督や介入なしにパターンと示唆を見つける訓練方法です。代表例のクラスタリングは、データ点どうしの類似度で似たものをまとめ、1点が1つのクラスタに入るハード、複数グループへの当てはまりの度合いを出すソフト、属する可能性を確率で表す確率的という3つの形で結果を返します。読むときは最も高い値だけで断定せず、2番目の値や境界にいる対象の扱いまで含めて見ると、業務の判断に使える整理になります。基礎から順に学び直したいときは、デジライズAIスクールのコース一覧や料金プランを見てみてください。データの扱いを仕事に結びつけたい方には「IT・デジタルのAI活用全体図(職種別|IT・デジタル)」のような職種別の講座も用意されています。
出典
この記事は、各社の公式のヘルプ・ドキュメントや公的機関の資料をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。料金や機能は変わることがあるため、使う前に公式ページで最新の情報を確かめてください(2026年11月16日時点)。
