kMeans，Mean Shift クラスタリング（Python, Google Colaboratory を使用）

1. エグゼクティブサマリー

本記事では，Python と Google Colaboratory を使用して，kMeans クラスタリングおよび Mean Shift クラスタリングを実行する手順を示す．

クラスタリングとは，データの集合を類似性に基づいて複数のグループ（クラスタ）に分割する手法である．本記事では以下の2種類を扱う．

• kMeans クラスタリング：クラスタ数を事前に指定し，各データ点を最も近い重心のクラスタに割り当てる手法
• Mean Shift クラスタリング：クラスタ数を事前に指定せず，データの密度分布からクラスタを自動決定する手法

架空データ（2次元正規分布から生成した合成データ）と Iris データセットの2種類を対象に，それぞれ kMeans および Mean Shift クラスタリングを実行し，結果を確認する．scikit-learn の KMeans クラスおよび MeanShift クラスを使用する．

2. 前準備（必要ソフトウェアの入手）

ここでは、最低限の事前準備について説明する。機械学習や深層学習を行う場合は、NVIDIA CUDA、Visual Studio、Cursorなどを追加でインストールすると便利である。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.htmlで詳しく解説しているので、必要に応じて参照してください。

winget install --scope machine --id Python.Python.3.12 -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_pip=1 Include_test=0 Include_launcher=1 InstallLauncherAllUsers=1"

python --version

winget install --scope machine --id Codeium.Windsurf -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --custom "/SP- /SUPPRESSMSGBOXES /NORESTART /CLOSEAPPLICATIONS /DIR=""C:\Program Files\Windsurf"" /MERGETASKS=!runcode,addtopath,associatewithfiles,!desktopicon"
powershell -Command "$env:Path=[System.Environment]::GetEnvironmentVariable('Path','Machine')+';'+[System.Environment]::GetEnvironmentVariable('Path','User'); windsurf --install-extension MS-CEINTL.vscode-language-pack-ja --force; windsurf --install-extension ms-python.python --force; windsurf --install-extension Codeium.windsurfPyright --force"

pip install -U numpy matplotlib scikit-learn pandas seaborn

3. 実行のための準備とその確認手順（Windows 前提）

3.1 プログラムファイルの準備

本記事のプログラムは Google Colaboratory 上での実行を前提としている．Google Colaboratory を使用する場合は，ノートブックを新規作成し，第5章の各コードブロックをセルに貼り付けて順番に実行する．

Windows 上でローカル実行する場合は，第5章のソースコードをテキストエディタ（メモ帳等）に貼り付け，clustering.py として保存する（文字コード：UTF-8）．その際，%matplotlib inline は Jupyter/Colab 専用のマジックコマンドであるため削除する．

3.2 実行コマンド

Google Colaboratory を使用する場合は，各セルの実行ボタン（▶）をクリックするか，Shift+Enter でセルを実行する．

Windows のコマンドプロンプトで実行する場合は，ファイルの保存先ディレクトリに移動し，以下を実行する．

python clustering.py

3.3 動作確認チェックリスト

4. 概要・使い方・実行上の注意

架空データ

架空のデータの合成を行う．N1, N2 はデータの個数．c1, c2 は平均．sd1, sd2 は標準偏差．2つの正規分布からそれぞれ10個ずつ，合計20個の2次元データを生成し，結合する．

生成したデータをプロットして確認する．20 個のデータがプロットされている．

kMeans クラスタリングでは，クラスタ数を 2 に設定し，scikit-learn の KMeans クラスの fit_predict メソッドで各データ点のクラスタラベルを取得する．結果は色分け散布図で確認できる．

Mean Shift クラスタリングでは，scikit-learn の MeanShift クラスを使用する．kMeans と異なり，クラスタ数の事前指定は不要である．

Iris データセット

Iris データセットをクラスタリングする．データの読み込みには seaborn の load_dataset 関数を使用する．

Iris データセットを数値の行列に変換する．文字列 'setosa'，'versicolor'，'virginica' は，0, 1, 2 に置き換える．

kMeans クラスタリングでは，0, 1, 2, 3 列目を使い，クラスタ数を 3 に設定する．結果は第0列（sepal_length）と第1列（sepal_width）を軸とした散布図で確認できる．

Mean Shift クラスタリングでは，同じく 0, 1, 2, 3 列目を使う．

5. ソースコード

架空データ

1. 架空のデータの合成

   N1, N2 はデータの個数．c1, c2 は平均．sd1, sd2 は標準偏差．

   import numpy as np
   N1, N2 = 10, 10
   c1, c2 = (0, 0), (3, 5)
   sd1, sd2 = 1, 1
   a1 = np.column_stack([np.random.normal(c1[0], sd1, N1), np.random.normal(c1[1], sd1, N1)])
   a2 = np.column_stack([np.random.normal(c2[0], sd2, N2), np.random.normal(c2[1], sd2, N2)])
   a = np.concatenate([a1, a2])
   print(a)
   

   
2. プロットして確認

   20 個のデータがプロットされている．

   %matplotlib inline
   import matplotlib.pyplot as plt
   plt.style.use('ggplot')
   plt.plot(a[:,0], a[:,1], 'ro')
   plt.show()
   

   
3. kMeans クラスタリング

   このデータを使い，クラスタリングを行う． クラスタ数は 2 に設定．

   from sklearn.cluster import KMeans
   c = KMeans(n_clusters=2).fit_predict(a)
   print(c)
   

   
4. kMeans クラスタリング結果の可視化

   クラスタリング結果を色分けした散布図で確認する．

   plt.scatter(a[:,0], a[:,1], c=c, cmap='viridis')
   plt.title('kMeans Clustering')
   plt.show()
   

5. Mean Shift クラスタリング

   このデータを使い，クラスタリングを行う．

   from sklearn.cluster import MeanShift
   c = MeanShift().fit_predict(a)
   print(c)
   

   

Iris データセット

ここでは，Iris データセットをクラスタリングする．

1. Iris データセットの読み込み

   import pandas as pd
   import seaborn as sns
   sns.set()
   iris = sns.load_dataset('iris')
   

   
2. Iris データセットの表示

   print(iris)
   

   
3. Iris データセットを，数値の行列に変換

   文字列 'setosa'，'versicolor'，'virginica' は，0, 1, 2 に置き換え．

   a = iris.values.copy()
   a[:,4] = iris['species'].map({'setosa':0, 'versicolor':1, 'virginica':2}).values
   print(a)
   

   
   （以下省略）
4. kMeans クラスタリング

   このデータの 0, 1, 2, 3 列目を使い，クラスタリングを行う． クラスタ数は 3 に設定．

   x = a[:,(0, 1, 2, 3)]
   from sklearn.cluster import KMeans
   c = KMeans(n_clusters=3).fit_predict(x)
   print(c)
   

   
5. kMeans クラスタリング結果の可視化

   第0列（sepal_length）と第1列（sepal_width）を軸として，クラスタリング結果を散布図で確認する．

   plt.scatter(x[:,0], x[:,1], c=c, cmap='viridis')
   plt.xlabel('sepal_length')
   plt.ylabel('sepal_width')
   plt.title('kMeans Clustering (Iris)')
   plt.show()
   

6. Mean Shift クラスタリング

   このデータの 0, 1, 2, 3 列目を使い，クラスタリングを行う．

   x = a[:,(0, 1, 2, 3)]
   from sklearn.cluster import MeanShift
   c = MeanShift().fit_predict(x)
   print(c)
   

   

6. まとめ

kMeans クラスタリング

クラスタ数を事前に指定してクラスタリングを行う手法である．scikit-learn の KMeans クラスを使用し，n_clusters でクラスタ数を設定する．fit_predict メソッドで各データ点のクラスタラベルを取得する．

Mean Shift クラスタリング

クラスタ数を事前に指定せずにクラスタリングを行う手法である．scikit-learn の MeanShift クラスを使用し，データの密度分布からクラスタ数が自動決定される．

架空データによる検証

2つの正規分布（平均 (0,0) と (3,5)，標準偏差 1）からそれぞれ10個ずつ，合計20個の2次元データを合成し，クラスタリングの対象とした．結果は色分け散布図で確認できる．

Iris データセットによる検証

Iris データセットの4つの特徴量（0, 1, 2, 3 列目）を使い，kMeans（クラスタ数3）および Mean Shift でクラスタリングを行った．種名は数値（0, 1, 2）に置き換えて使用する．

クラスタリング結果の可視化

クラスタリング結果を色分け散布図で表示することで，各クラスタへのデータ点の割り当てを視覚的に確認できる．matplotlib の scatter 関数でクラスタラベルに基づく色分けを行う．