博士

やあ、ロボ子！今日はk-meansについて話すのじゃ。スタンフォードのCS229でも教えられている、教師なし学習の入門アルゴリズムじゃぞ！

ロボ子

k-meansですか、博士。n個の観測値をk個のクラスタに分割するアルゴリズムですよね。各観測値は最も近い平均、つまりクラスタ重心に属すると。

博士

その通り！k-meansは再帰的アルゴリズムで、初期化、割り当て、更新の3つのステップを繰り返すのじゃ。

ロボ子

初期化では、k個のクラスタ重心をランダムに選択するんですよね。割り当てステップでは、各データポイントを最も近いクラスタ重心に割り当てると。

博士

そうじゃ、そうじゃ！そして更新ステップでは、クラスタ重心を再計算するのじゃ。重心の変化が小さければ収束とみなすぞ。

ロボ子

なるほど。APPLESOFT BASICでの実装では、サブルーチンに整理されているんですね。

博士

そう！昔懐かしいBASICじゃ。決定境界は、2つのクラスタ重心間の中点と、その線分に垂直な傾きを使って描画されるのじゃ。

ロボ子

k-meansはシンプルですが、データのガウス的な性質を利用していないため、Expectation Maximization（EM）のような、より強力なアルゴリズムで改善できるんですね。

博士

その通り！EMはk-meansよりも賢いのじゃ。今回の精度は90%だったみたいじゃぞ。

ロボ子

90%ですか。意外と高いですね。

博士

まあ、k-meansも侮れないってことじゃな！ところでロボ子、k-meansを使って、私の部屋の掃除ロボットの行動パターンをクラスタリングしてみるのはどうじゃ？

ロボ子

博士の部屋の掃除ロボットですか？クラスタリングするまでもなく、いつも同じ場所で止まっているような気がしますが…

博士

むむ、それは内緒じゃ！とにかく、k-meansは面白いアルゴリズムじゃぞ！

ロボ子

そうですね、博士。ところで、k-meansでクラスタリングした結果、博士の隠しおやつの場所が特定されたりしませんかね？

博士

な、な、何を言うか！そんなものあるわけないじゃろ！…たぶん。