② 機械学習の概要 ／ 8. 教師なし学習
ウォード法とは
ウォード法とは、階層的クラスタリングにおいて、クラスタ内分散の増加が最小となるようにクラスタを結合する手法です。結果としてサイズのバランスが取れたクラスタが得られやすくなります。
この用語はG検定シラバスの「8. 教師なし学習」に含まれます。 章全体の用語は用語解説②（全62語）にまとまっています。
一言でいうと
まとめたときに「ばらつきの増え方」が最も小さい組み合わせから順に結合していく手法です。
どう結合するか
階層的クラスタリングでは、近いクラスタから順に併合していきます。このとき「何をもって近いとするか」の基準が手法ごとに異なります。
ウォード法の基準は、2つのクラスタを結合したときに、クラスタ内のばらつき（分散）がどれだけ増えるかです。増加が最も小さい組み合わせを選んで結合します。
この基準により、極端に大きいクラスタや小さいクラスタができにくく、バランスのよい結果になりやすいのが特徴です。
k-means法との違い
ウォード法は階層的なので、結合の過程をデンドログラムで表現でき、後からクラスタ数を選べます。
一方k-means法は非階層的で、最初にkを決める必要があります。ここが大きな違いです。
他の結合基準との違い
階層的クラスタリングには、結合基準の違いで複数の手法があります。
- 最短距離法：最も近い2点の距離で測る。鎖状に細長いクラスタができやすい
- 最長距離法：最も遠い2点の距離で測る。まとまった形になりやすい
- ウォード法：分散の増加で測る。バランスの取れた結果になりやすい
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| ウォード法 | 階層的。分散の増加が最小の組を結合。後からクラスタ数を選べる |
| k-means法 | 非階層的。クラスタ数kを事前に指定する |
🎯 G検定での押さえどころ
- クラスタ内分散の増加が最小になる組み合わせを結合する
- 階層的クラスタリングの代表的手法
- バランスの取れたクラスタが得られやすい
⚠️ よくある誤りの選択肢
- 「ウォード法では事前にクラスタ数を決める必要がある」→ 誤り。デンドログラムを見て後から決められます
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「教師なし学習② クラスタリング」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。