k-medoids法は、データ群をk個のグループに分ける非階層的クラスタリングアルゴリズムの一つです。代表点として平均値ではなく実際のデータ点を用いるため、外れ値に強いという特徴があります。
k-medoids法とは
k-medoids法とは、データの中から選んだ代表点（メドイド）を基準にして、全体のデータをk個のクラスタに分類する機械学習手法です。
詳しく解説
代表的なクラスタリング手法であるk-means法と似ていますが、k-means法が各クラスタの平均値を中心（重心）とするのに対し、k-medoids法は「実際に存在するデータ点」の中から代表点を選出します。代表点まわりの距離の総和を最小化するように最適化計算を繰り返し、全体のクラスタリングを行います。
具体例・使われ方
顧客データの分析において、平均的な顧客像ではなく「実際に存在する特定の顧客モデル」を代表としてグループ分けしたい場合に利用されます。また、地理的な位置情報データから店舗や拠点の最適な配置場所を選ぶ問題にも応用されます。
似た用語との違い
よく比較されるk-means法は計算が高速ですが外れ値の影響を強く受けるのに対し、k-medoids法は外れ値の影響を受けにくい代わりに、すべてのデータ間の距離を計算するため計算コストが高くなりやすいという違いがあります。
注意点
データ量が増えるにつれて計算量が急激に増加するため、大規模なデータセットへの適用には処理時間がかかる点に注意が必要です。また、最初に選ぶ代表点の初期値によって結果が変わることがあります。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月7日 08:01