k近傍法（k-NN）はいつ使うの？わかりやすく解説

k近傍法（k-NN）って聞いたことあるけど、実際にどんな時に使えるの？この記事では、k近傍法の具体的な活用例を、専門用語を避けてやさしく解説します。AIや機械学習のアルゴリズムがどのように実社会で役立っているか知りたい方におすすめです。

k近傍法（k-NN）とは？ ～ご近所さんを参考にするシンプルな考え方～

「k近傍法（k-NN）」と聞くと、何やら難しい専門用語のように感じるかもしれませんね。でも、その基本的な考え方はとてもシンプルです。一言でいうと、「周りのみんな（ご近所さん）がどうしているかを見て、自分もどうするか決める」という方法です。

もう少し詳しく言うと、新しいデータが出てきたときに、そのデータと「似ている」既存のデータをいくつか（この「いくつか」の数を「k」と呼びます）見つけてきます。そして、その「似ている」データたちが、どんなグループに属しているか、あるいはどんな数値を持っているかを見て、新しいデータも同じように分類したり、数値を予測したりするのです。

例えば、あなたが新しい果物を見つけたとします。それがリンゴなのかミカンなのか、はたまた全く別のものなのか知りたいとしましょう。k近傍法では、その新しい果物の色や形、大きさといった特徴を、すでに知っているたくさんの果物（リンゴやミカンなど）の特徴と比べます。そして、一番特徴が似ている果物をいくつか（例えば3つ＝kが3の場合）選び出し、その3つのうち多くが「リンゴ」であれば、「この新しい果物もリンゴだろう」と判断する、といったイメージです。

この「多数決」のような仕組みで、新しいものが何なのかを判断したり、数値を予測したりするのがk近傍法です。とても直感的で分かりやすい方法だと思いませんか？

今回の記事では、このk近傍法が、私たちの身の回りで実際にどのように活用されているのか、具体的な例を挙げながら、その理由とともに詳しく見ていきましょう。

k近傍法（k-NN）はどんな場面で活躍するの？具体的な活用例５選

k近傍法は、そのシンプルさゆえに、様々な分野で応用されています。ここでは、特にk近傍法が力を発揮する場面を5つご紹介し、なぜそれぞれの場面で向いているのかを詳しく見ていきましょう。

1. 画像認識（手書き文字の認識など）

概要: 私たちの身の回りには、手書きの文字を読み取ってデータ化する技術がたくさんあります。例えば、郵便番号を読み取る機械や、タブレットに書いた文字をテキストに変換する機能などです。このような技術の裏側で、k近傍法が活躍していることがあります。

なぜ向いているか: 手書きの文字は、人によってクセがあり、形が微妙に異なります。k近傍法は、新しい手書き文字が入力されたとき、データベースに保存されているたくさんの手書き文字のサンプルの中から、形が似ているものを探し出します。そして、似ている文字の中で最も多く出現する文字（例えば、「7」という形に似たサンプルが一番多ければ「7」）を、その新しい文字の認識結果とします。

この方法が向いている理由は、「似ている」という基準が直感的で、文字の特徴を捉えやすいからです。例えば、ある手書き文字の「線の曲がり具合」や「線の長さの比率」といった特徴を数値化し、それらの数値が近いものを「似ている」と判断します。複雑なルールをたくさん設定しなくても、過去のたくさんの「お手本」と比べることで、ある程度の精度で文字を認識できるのです。特に、比較的小さなデータセット（お手本の数）からでも、比較的良好な結果を得やすいという特徴があります。

また、新しい種類の文字や、これまであまり見られなかった書き方の文字が出てきた場合でも、その文字のサンプルを既存のデータに追加するだけで、比較的簡単に対応できるという柔軟性も持っています。

2. 推薦システム（おすすめ商品の提案など）

概要: インターネットでお買い物をしていると、「この商品を買った人はこんな商品も見ています」とか「あなたへのおすすめ」といった表示を見たことがあると思います。これも、k近傍法の考え方が使われている代表的な例の一つです。

なぜ向いているか: 推薦システムにおけるk近傍法の考え方は、大きく分けて二つのアプローチがあります。

一つは、「あなたと好みが似ている人が気に入ったものは、あなたも気に入る可能性が高い」という考え方です。まず、あなたの過去の購買履歴や閲覧履歴などから、あなたと行動パターンが似ている他のユーザーを探します（これが「近傍」を探すことに相当します）。そして、その似ているユーザーたちが購入したり高く評価したりしているけれど、あなたはまだ手にしていない商品を、「おすすめ」として提案するのです。

もう一つは、「あなたが以前気に入った商品と似ている商品は、今回も気に入る可能性が高い」という考え方です。例えば、あなたが以前あるブランドの赤いスニーカーを購入したとします。すると、システムは他の赤いスニーカーや、同じブランドの別のデザインのスニーカーなど、特徴が似ている商品を推薦してくれます。

この方法が向いているのは、ユーザーの行動や商品の特徴といったデータを直接的に「近さ」の判断に使える点です。複雑なユーザーの心理モデルや商品の詳細な分類体系を事前に構築しなくても、「AさんとBさんは似たような商品を買っているから、Aさんが買ったものをBさんにも薦めてみよう」といったシンプルなロジックで、効果的な推薦が実現できることがあります。特に、新しい商品や新しいユーザーが登場した際にも、過去のデータとの類似性を見ることで、比較的スムーズに対応できるという利点があります。

3. 迷惑メールフィルタ

概要: 毎日受け取るたくさんのメールの中に紛れ込んでいる迷惑メール。これらを自動的に振り分けてくれる迷惑メールフィルタにも、k近傍法の考え方が応用されることがあります。

なぜ向いているか: 迷惑メールには、特定の単語（例えば、「当選」「儲かる」「無料」など）が頻繁に使われたり、特定のパターンの文章構造をしていたりする傾向があります。k近傍法を用いた迷惑メールフィルタでは、まず、過去に「迷惑メール」と判断されたメールと、「通常のメール」と判断されたメールを大量に集めておきます。

そして、新しいメールが届くと、そのメールに含まれる単語の種類や頻度、送信元の情報などを特徴として捉え、過去のメールのデータの中から「似ている」メールを探します。もし、新しく届いたメールが、過去の「迷惑メール」のサンプルとよく似ていれば、「このメールも迷惑メールの可能性が高い」と判断し、迷惑メールフォルダに振り分ける、という仕組みです。

この方法が向いているのは、迷惑メールのパターンが変化しても、新しいサンプルを追加することで対応しやすい点です。迷惑メールの送り主は、フィルタを回避するために手口を巧妙に変えてきますが、k近傍法であれば、新しいタイプの迷惑メールを「迷惑メール」として学習データに追加することで、フィルタの精度を維持・向上させることができます。また、どのような特徴（単語や送信元など）が迷惑メールの判断に影響しているのかを比較的理解しやすいという側面もあります。

4. 医療診断の支援（過去の類似症例の参照など）

概要: 医療の現場では、医師が患者さんの症状や検査結果などから病気を診断します。この診断プロセスを支援するために、k近傍法の考え方が活用されることがあります。ただし、これはあくまで医師の判断を助けるためのものであり、最終的な診断は医師が行います。

なぜ向いているか: ある患者さんの症状、年齢、性別、検査結果などの情報を特徴として捉えます。そして、過去の膨大な患者さんのデータの中から、これらの特徴が「似ている」患者さんの症例を探し出します。その似ている症例の中で、どのような診断が下され、どのような治療が行われ、その結果どうなったか、といった情報を医師に提示することで、診断の参考にしてもらうのです。

この方法が向いているのは、人間の経験や直感に近い形で診断をサポートできる点です。医師は、過去に経験した類似の症例を思い出しながら診断を進めることがありますが、k近傍法は、そのプロセスをコンピュータで支援するようなイメージです。特に、まれな疾患や判断が難しい症例の場合に、過去の類似ケースを迅速に見つけ出す手助けとなり得ます。

重要なのは、k近傍法が「この患者さんはこの病気です」と断定するのではなく、「この患者さんと似た特徴を持つ過去の患者さんたちは、このような診断結果でした」という情報を提供する点です。これにより、医師はより多くの情報を元に、総合的な判断を下すことができます。また、データの各項目（例えば、血圧の数値や特定の検査値など）が診断にどの程度関連しているかを、個別のケースごとに直感的に理解しやすいという利点もあります。

5. 異常検知（いつもと違うパターンを見つける）

概要: 工場で製品を生産しているラインや、クレジットカードの利用状況、あるいはコンピュータネットワークの通信状況など、様々なシステムにおいて、「いつもと違う」異常な状態を早期に発見することは非常に重要です。k近傍法は、このような異常検知にも応用されます。

なぜ向いているか: まず、システムが「正常」に動作しているときのデータをたくさん集めておきます。例えば、工場のセンサーデータであれば、温度、圧力、振動などの平常時の値を記録しておきます。そして、新しいデータ（現在のセンサーの値など）が入ってきたときに、過去の正常なデータの中から「似ている」ものを探します。

もし、新しいデータが、過去のどの正常なデータともあまり似ていない（つまり、ご近所さんが見つからない、あるいは非常に遠くにしかいない）場合、「これはいつもと違う、異常な状態かもしれない」と判断するのです。クレジットカードの不正利用検知であれば、普段の利用パターン（利用場所、金額、時間帯など）と大きく異なる利用があった場合に、それを「異常」として検知するイメージです。

この方法が向いているのは、「何が異常か」を事前に細かく定義しなくても、正常な状態からの「逸脱度合い」で異常を捉えられる点です。特に、未知の異常や、予期せぬパターンの異常を発見するのに役立つことがあります。また、比較的シンプルな仕組みで実装でき、動作原理も理解しやすいため、異常の兆候を早期に掴むための第一歩として有効な手段となり得ます。ただし、どの程度の「逸脱」を異常と判断するかの基準（閾値）の設定が重要になります。

まとめ ～k近傍法はシンプルだけど、奥が深い～

今回は、k近傍法（k-NN）がどのような場面で活用されているのか、具体的な5つの例を挙げてご紹介しました。

1. 画像認識: 手書き文字など、形が少しずつ違うものを「似ている」お手本と比較して認識。
2. 推薦システム: 自分と好みが似ている人や、過去に自分が気に入った商品と似たものを推薦。
3. 迷惑メールフィルタ: 迷惑メールにありがちな特徴を持つメールを、過去の迷惑メールと比較して判別。
4. 医療診断の支援: 症状や検査結果が似ている過去の症例を提示し、医師の判断をサポート。
5. 異常検知: 「いつもと違う」データ、つまり過去の正常なデータと似ていないものを見つけ出す。

これらの例からもわかるように、k近傍法は「似ているものを見つけて、それを参考にする」という非常に直感的で理解しやすいアルゴリズムです。そのため、専門家でなくても基本的な考え方を把握しやすく、様々な問題に応用しやすいという大きな利点があります。

特に、事前に複雑な数式モデルを構築する必要がないことや、データの背景にある細かい分布などを仮定しなくても使える（専門的にはノンパラメトリック手法と呼ばれます）点は、実務で使う上で非常に魅力的です。

一方で、k近傍法を効果的に使うためには、いくつかの考慮点もあります。例えば、「何をもって似ているとするか（距離の測り方）」や、「いくつのご近所さんを参考にするか（kの数の設定）」、そして「データが多くなると計算に時間がかかることがある」といった点です。これらの要素を、解決したい問題やデータの性質に合わせて適切に設定することが、k近傍法をうまく活用するための鍵となります。

k近傍法は、AIや機械学習の世界への入り口としても非常に適したアルゴリズムの一つです。そのシンプルな考え方と幅広い応用例を知ることで、データ活用の可能性がより身近に感じられるのではないでしょうか。