k近傍法（kNN）とは？ご近所の多数決で分類する仕組みを図解

前回のSVMは、境界線をかしこく引く手法でした。今回のk近傍法（kNN）は、うって変わって「いちばん直感的でシンプルな分類」。なんと、境界線すら引きません。

やることは、たったひとつ。「新しいデータの“ご近所”を見て、多数派と同じ仲間にする」だけ。転校生が、席の近い子たちのグループに自然となじむような——そんなイメージです。あまりにシンプルですが、ちゃんと役に立つ。その仕組みと“クセ”を見ていきましょう。

この連載は、機械学習の3つの学び方でいう「教師あり学習（分類）」の手法をあつかいます。決定木やロジスティック回帰を読んでいると、より分かりやすいです。

ルミィ

『似た者は近くにいるはず』という素直な発想。むずかしい計算はナシ。だけど侮れないんだ。

k近傍法とは？｜ご近所の多数決

k近傍法（k-Nearest Neighbors、kNN）は、新しいデータを分類したいとき、その近くにある“k個”のデータを見て、多数派のクラスに分類する手法です。

図を見てください。真ん中の星（★）が、分類したい新しいデータです。その周りの近いデータをk個（図では5個）選び、内訳を数えます。青が3つ、橙が2つ。多数派は青なので、この新しいデータは「青クラス」と判定します。やっていることは、本当にこれだけです。

仕組み｜距離を測って近いk個を選ぶ

kNNの手順は、3ステップでまとめられます。

1. ①距離を測る——新しいデータと、手元の全データとの“近さ（距離）”を計算する
2. ②近いk個を選ぶ——距離が近い順に、k個のデータを取り出す
3. ③多数決する——そのk個のクラスを数え、いちばん多いクラスに分類する

「近さ」は、ふつう2点間のまっすぐな距離（ユークリッド距離）で測ります。座標が近ければ似ている、という素直な考え方です。

kの選び方｜いくつのご近所を見る？

kNNでいちばん大事なのが、「いくつのご近所を見るか（k）」の決め方です。これで結果が変わります。

• kが小さすぎる（例：k=1）——いちばん近い1個だけで決めるので、たまたま近くにあった“例外”やノイズに振り回されやすい
• kが大きすぎる——遠くの点まで多数決に入れてしまい、境界がぼやけて大ざっぱになる
• ちょうどよいk——小さすぎず大きすぎず。データ量に応じて、いくつか試して決めるのが定番

ちなみに、2クラス分類ではkを奇数にするのがコツ。偶数だと「3対3」のように同点になり、多数決がつかないことがあるからです。

“怠惰学習”｜事前に勉強しない珍しい手法

kNNには、もう一つ面白い特徴があります。事前の「学習」をほとんどしないのです。

ふつうの機械学習は、まずデータから一生けんめいモデル（境界線やルール）を作り、本番ではそれを使います。ところがkNNは、データをただ覚えておくだけ。そして新しいデータが来たそのときに、はじめてご近所を探して判定します。この“その場しのぎ”のやり方から、kNNは「怠惰学習（lazy learning）」と呼ばれます。

学習の手間がない代わりに、予測のたびに全データとの距離を計算するので、データが多いと予測が重くなる——これがkNNの大きなクセです。

長所と短所

kNUの得意・不得意を整理します。

「まずシンプルな手法で試したい」「データがそれほど多くない」ときに、kNNは手軽で頼れる選択肢です。

分類だけじゃない｜回帰にも使える

kNNは分類のイメージが強いですが、数値を予測する回帰にも使えます。やり方は同じで、近いk個の“数値の平均”をとるだけ。

たとえば「近所の似た家、5軒の価格の平均」で家賃を見積もる、といった具合です。線形回帰のように式を立てるのではなく、“ご近所の実例の平均”で予測する——これもkNNらしい、素直な発想です。

何に使われている？

シンプルさゆえに、kNNはいろいろな場面で使われます。

• レコメンド——好みの近いユーザーが買ったものをすすめる
• 異常検知——どの仲間からも遠い“浮いた点”を異常とみなす
• 画像・手書き認識——似た画像を探して分類する
• 最初のベースライン——「まずkNNで試して基準を作る」入門の定番

具体例で追う｜映画の好みで仲間分け

イメージをつかむために、映画の好みでユーザーを分類してみましょう。「アクション好き度」と「恋愛もの好き度」の2つで、各ユーザーを地図上の点として置きます。

新しいユーザーがどちらのグループ（たとえば“アクション派”か“恋愛派”か）かを知りたいとき、kNNはその人の近くにいる既存ユーザーをk人見て、多い派閥に振り分けます。「あなたの趣味に近い人たちが恋愛派なら、あなたも恋愛派だろう」という、ごく自然な推測です。レコメンドが「あなたと似た人はこれも観ています」と勧めてくるのも、根っこは同じ発想です。

距離の測り方と“標準化”の大切さ

kNNは「近さ」がすべて。その測り方には、いくつか種類があります。

• ユークリッド距離——2点を結ぶまっすぐな直線の長さ。いちばん一般的
• マンハッタン距離——碁盤の目を進むような、縦横の移動距離の合計

そして、kNNでいちばん注意すべきが“スケール（単位）”です。たとえば「年収（万円）」と「年齢（歳）」を一緒に使うと、数字の大きい年収ばかりが距離を支配し、年齢がほとんど効かなくなってしまいます。

これを防ぐのが標準化——各項目の大きさをそろえる前処理です。kNNを使うなら標準化はほぼ必須。同じく距離を使うクラスタリングでも、まったく同じ注意が必要でした。

ひと工夫｜近い点ほど“重い一票”に

ふつうのkNNは、k個の近所を“平等な1票”として多数決します。でも、「すぐ隣の点」と「ぎりぎりk番目の遠い点」を同じ1票にするのは、少しもったいない気もします。

そこで、近い点ほど票を重くするやり方（重み付きkNN）もあります。距離が近い仲間の意見を強く反映させることで、より自然な判定に近づけるわけです。シンプルなkNNにも、こうした改良の余地が残されています。

kNNが苦手な場面｜次元の呪い

kNNの弱点として、特に有名なのが「次元の呪い」です。少し不思議な現象なので、押さえておきましょう。

特徴量（項目）の数が増えて“次元”が高くなると、どのデータどうしも、似たような距離に散らばってしまうのです。みんなが等しく遠くにいる状態では、「近い仲間」を選ぶこと自体に意味がなくなり、多数決が機能しません。kNNは「近さ」が命なので、この影響をもろに受けます。

対策は、本当に効く項目だけに絞ることや、主成分分析（PCA）などで次元を減らしてからkNNにかけること。「むやみに項目を増やさない」のが、kNNと付き合うコツです。

kNNとクラスタリング｜似て非なるもの

「近いものをまとめる」と聞くと、教師なし学習のクラスタリングを思い出すかもしれません。どちらも“近さ”を使いますが、目的はまったく違います。

kNNは正解ラベルがある教師あり学習で、「この新しい点はどのクラスか」を当てます。クラスタリングは正解のない教師なし学習で、「データ全体をいくつのグループに分けられるか」を探ります。正解を当てるのがkNN、グループそのものを見つけるのがクラスタリング——同じ“近さ”でも、向いている方向が逆なのです。名前が似た「k近傍法（kNN）」と「k平均法（クラスタリングのk-means）」を混同しやすいので、ここはしっかり区別しておきましょう。

まとめ

k近傍法（kNN）は、新しいデータの“ご近所”をk個見て、多数派のクラスに分類する、いちばん直感的な手法です。境界線も引かず、事前学習もしない「怠惰学習」で、kの選び方が結果を左右します。

データが多いと予測が重い、次元が多いと近さが薄れる、といったクセはありますが、仕組みのわかりやすさは随一。「似た者は近くにいる」という素直な発想は、機械学習の入り口としても最適です。次回は、確率で見分けるナイーブベイズに進みます。

あらゆる機械学習の中で、kNNほど『仕組みを一言で説明できる』手法は珍しいでしょう。『近くの仲間の多数決』——たったこれだけです。だからこそ、機械学習を学び始めた人が最初に触れるのに最適ですし、複雑な手法の結果を『本当にこれで合っているのか？』と確かめる“ものさし”としても役立ちます。シンプルさは、それ自体が立派な武器なのです。次に分類問題に出会ったら、まずはkNNで肩慣らしをしてみてください。近くを見るだけ、という素朴さの中に、機械学習のエッセンス——「似たものは似た答えになる」という大前提——が、ぎゅっと詰まっています。

よくある質問（FAQ）

k近傍法（kNN）とは何ですか？

A. 新しいデータを分類するとき、その近くにあるk個のデータを見て、多数派のクラスに分類する手法です。境界線を引かず、近くの仲間の多数決で決める、いちばん直感的な分類アルゴリズムです。

kNNの「k」とは何ですか？どう決めますか？

A. kは「いくつのご近所を見るか」の数です。小さすぎるとノイズに振り回され、大きすぎると境界がぼやけます。データ量に応じていくつか試して決め、2クラス分類では同点を避けるため奇数にするのが定番です。

kNNはどうやって「近さ」を測りますか？

A. ふつうは2点間のまっすぐな距離（ユークリッド距離）で測ります。座標が近ければ似ているとみなします。単位の大きい特徴量に引っ張られないよう、事前にスケールをそろえる標準化が重要です。

怠惰学習（lazy learning）とは何ですか？

A. kNNのように、事前にモデルを作らず、データをただ覚えておくだけの学習方法です。新しいデータが来たそのときに、はじめてご近所を探して判定します。学習は楽ですが、予測のたびに計算が必要になります。

kNNの短所は何ですか？

A. データが多いと予測のたびに全データとの距離を計算するため重くなること、特徴量のスケールに影響されること、次元が多すぎると“近さ”が意味を失う（次元の呪い）ことです。標準化や次元削減で対処します。

kNNは回帰にも使えますか？

A. 使えます。分類では多数決をしますが、回帰では近いk個の数値の平均をとって予測します。たとえば近所の似た家の価格の平均で家賃を見積もる、といった使い方ができます。

kNNは何に使われますか？

A. 好みの近いユーザーの行動を使うレコメンド、浮いた点を見つける異常検知、似た画像を探す画像認識などに使われます。シンプルなので、最初に試して基準を作るベースラインとしてもよく使われます。

あわせて読みたい

参考・一次ソース

• IBM「What is the k-nearest neighbors algorithm?」（ibm.com）
• scikit-learn「Nearest Neighbors」（scikit-learn.org）

※本記事は2026年6月時点の一般的な仕組みを初心者向けに整理したものです。手法の詳細や最適な使い方はデータや目的によって変わります。

ルミィ

AIナビゲーター

YouTube

ChatGPT・Gemini・Claudeなどの会話AI、画像生成AI、動画生成AI、資料作成AI、AI検索ツールを初心者向けに解説するAIナビゲーター。実際に使ってみた感想や、仕事・学習・発信に役立つAI活用法をわかりやすく紹介しています。