スペクトラルクラスタリングは、データ間の類似度をグラフ構造で表現し、グラフ理論と線形代数を用いて非線形な境界を持つ複雑な形状のデータでも高精度にグループ分けできる機械学習のクラスタリング手法です。
スペクトラルクラスタリングとは
一言でいうと、データ間のつながりをグラフとして捉え、固有値解析を利用して複雑な形状のグループを見つけ出す高度なクラスタリング手法です。
詳しく解説
スペクトラルクラスタリングは、データポイントをノード、類似度をエッジの重みとするグラフを作成し、そのラプラシアン行列の固有値や固有ベクトルを計算して低次元空間にデータを埋め込んでから、k-means法などの従来のアルゴリズムを適用する仕組みです。従来のk-means法では分離が難しい同心円状や複雑に入り組んだ非線形な分布を持つデータに対しても、強力なグループ分け性能を発揮するのが特徴です。データ解析やパターン認識の分野で広く活用されています。
具体例・使われ方
例えば、画像セグメンテーションにおいて、画像内のピクセル同士の類似性（色やテクスチャの近さ）をグラフ化し、背景と対象物を分離するために利用されます。また、複雑な形状が入り組むソーシャルネットワーク上のコミュニティ検出にも応用されます。
似た用語との違い
代表的なクラスタリング手法であるk-means法がデータの重心やユークリッド距離を基準にするのに対し、スペクトラルクラスタリングはデータ間の近接グラフの構造や連結性を重視するため、非線形な形状のデータに対してより有効です。
注意点
データ数が増大すると類似度行列の計算や固有値分解に膨大な計算コストとメモリが必要になるため、大規模データへの適用には近似アルゴリズムを用いるなどの工夫が不可欠です。また、最適なクラスタ数や類似度パラメータの選定が結果に大きく影響します。
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3日 01:41