ウォード法（Ward’s Method）
解説
ウォード法は、「階層的クラスタリング」の中で最も一般的で、精度が良いとされる手法です。
k-means法のように最初からグループを決めるのとは異なり、最初は「バラバラのデータ」からスタートし、「似ているもの同士」を順番にくっつけていく（マージする）ことで、最終的に大きなグループを作っていく手法です。これを凝集型（ボトムアップ）のアプローチと呼びます。
最大の特徴：デンドログラム（樹形図）
ウォード法でクラスタリングを行うと、「デンドログラム（樹形図）」と呼ばれるトーナメント表のようなグラフを描くことができます。
この図を見ることで、「どのデータとどのデータが似ているか」「どこで切ればいくつのグループに分かれるか」を視覚的に把握できます。
階層的 vs 非階層的
| 比較 | 階層的（ウォード法など） | 非階層的（k-means法） |
|---|---|---|
| アプローチ | 似たものを順にまとめる （デンドログラムができる） |
全体をバサッと分割する （k個のグループを作る） |
| クラスタ数 | 計算後に後から決められる | 計算前に先に決める必要がある |
| 計算量・速度 | 計算量が多く、遅い （ビッグデータには不向き） |
計算が速い （ビッグデータ向き） |
ウォード法の計算ロジック
「何を基準に似ていると判断するか（距離）」の定義にはいくつかの手法（最短距離法、群平均法など）がありますが、ウォード法はその中でも最もよく使われます。
「結合したときの分散（ばらつき）の増加量が最小になるペア」を選んでくっつけていくため、バランスの良いきれいなクラスタができやすいのが特徴です。
G検定対策
出題ポイント
- 用語の定義：「階層的クラスタリング」「凝集型（Agglomerative）」の手法である。
- 距離の定義：ウォード法は「クラスタ内の誤差二乗和（分散）の増加分」を距離として定義している。
- 計算コスト：データ数が増えると計算量が爆発的に増えるため、大量のデータには適さない（その場合はk-meansを使う）。
ひっかけ対策・注意点
- デンドログラムの切断：
「デンドログラムのどこを切ってもよい」という点と、「切る高さによってクラスタ数が変わる（下で切れば多く、上で切れば少なくなる）」という関係性を理解しておきましょう。 - × クラスタ数を事前に決める必要がある
（解説）これはk-means法のことです。階層的クラスタリングは、計算が終わった後にデンドログラムを見て決めます。
