5.3.1 教師なし学習ロードマップ：ラベルなしで構造を見つける

教師なし学習は、データにラベルがないところから始まります。モデルは最終的な真実を教えるのではなく、あり得る構造を見つける手助けをします。

まず構造マップを見る

やりたいこと	まず使うもの
自然なグループを見つける	クラスタリング
高次元データを圧縮する	次元削減
普通ではない点を見つける	異常検知

重要なのは「ラベルが正しいか」ではなく、「この構造に証拠と意味があるか」です。

クラスタリング baseline を1つ動かす

unsupervised_first_loop.py を作り、scikit-learn をインストールしてから実行します。

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

X, _ = make_blobs(n_samples=30, centers=3, random_state=7, cluster_std=0.8)

model = KMeans(n_clusters=3, random_state=7, n_init="auto")
labels = model.fit_predict(X)

print("cluster_count:", len(set(labels)))
print("first_five_labels:", labels[:5].tolist())
print("inertia:", round(model.inertia_, 2))

出力：

cluster_count: 3
first_five_labels: [2, 0, 0, 1, 0]
inertia: 43.44

クラスタリングが返すのはグループ番号であり、人間にとっての意味ではありません。グラフ、特徴量の要約、ドメイン解釈が必要です。

残す証拠

このページを終えたら、この evidence card を残します。

タスク

clustering、dimensionality reduction、または anomaly detection の目標

データ表示

スケーリング済み特徴量、射影、クラスタ、または異常スコア

解釈

このシナリオでグループ、軸、またはアラートが何を意味するか

失敗確認

任意のクラスタ数、スケーリングの問題、ノイズの多い次元、または誤検知

期待される成果

解釈と不確実性メモを含む教師なし結果

この順番で学ぶ

順番	読む	練習すること
1	5.3.2 クラスタリング	K-Means、クラスタ解釈、悪いクラスタ数選択
2	5.3.3 次元削減	PCA、可視化、圧縮
3	5.3.4 異常検知	外れ値、しきい値、アラートの証拠

合格ライン

探している構造を説明し、教師なしモデルを1つ動かし、出力を絶対的な真実として扱わず慎重な解釈を書ければ合格です。

確認の考え方と解説

1. 教師なし学習の出力は、構造についての仮説であり、検証済みの答えではありません。
2. よい解釈には、図または特徴量要約、構造への慎重な名前付け、不確実性についての一言が含まれます。
3. 最初に確認する失敗点は、スケーリング、恣意的なクラスタ数、ノイズの多い次元、数値上は異常でも文脈上は普通なアラートです。