メインコンテンツへスキップ
見出し画像

【第51回】AIは2点の近さをどう測る?ユークリッド距離とは

    地図の上で2点の直線距離を考えるように、データ同士の近さを測りたいことがあります。
    その基本になるのが「ユークリッド距離」です。
    この記事では、もっともよく使われる距離の考え方をやさしく解説します。


    1. 読み方

    ユークリッド距離 = ゆーくりっどきょり


    2. 意味(定義)

    ユークリッド距離を一言で言うと、「2つの点の間を、定規で真っ直ぐ結んだときの最短距離」のことです。

    イメージしやすいように、「ドローン」で例えてみましょう!

    あなたが地図上の「地点A(コンビニ)」から「地点B(友達の家)」まで移動したいとき、人間が街を歩くなら、道に沿って曲がりくねって進みますよね。

    でも、ドローンならどうでしょう? 建物や道を一切気にせず、空を飛んで「直線的に最短ルート」で向かえます。

    この、「空を飛んで一直線に結んだ距離」こそが、ユークリッド距離なのです。

    私たちが小学校や中学校の数学で習った「2点間の距離」は、すべてこのユークリッド距離のことだと思って間違いありません。


    3. 歴史・背景

    この概念は、古代ギリシャの数学者ユークリッドが体系化した幾何学に基づいています。皆さんが数学の授業で習った「三平方の定理(ピタゴラスの定理)」を思い出してください。直角三角形の斜辺の長さを求めるあの計算式が、ユークリッド距離の正体です。

    では、なぜこれがAIに重要なの?

    AI(機械学習)の世界では、あらゆるデータ(画像、文章、ユーザーの好みなど)を「数字の集まり(ベクトル)」として捉えます。

    例えば、「リンゴ」と「梨」のデータを数字にしたとき、その2つの点の距離が近ければ「似ている」と判断し、距離が遠ければ「似ていない」と判断します。

    つまり、ユークリッド距離はAIにとって「似ているかどうかを判定するための、もっとも基本的でシンプルな物差し」なのです。


    4. 比較・対比(似た用語との違い)

    ユークリッド距離とよくセットで出てくるのが「マンハッタン距離」です。

    【ユークリッド距離】(鳥の視点)

    • 2点を直線で結んだ距離。

    • 障害物を無視して、最短距離で突き進むイメージ。

    • 「直線的にどれだけ離れているか」を測るのに適しています。

    【マンハッタン距離】(タクシーの視点)

    • 碁盤の目のような道を、カクカクと直角に曲がりながら進んだ距離。

    • ニューヨークのマンハッタンのように、ビルに囲まれて直線的に進めない状況をイメージしてください。

    • 「軸に沿ってどれだけ移動したか」の合計を測るのに適しています。


    5. 活用シーン(実社会のどこで、どんな問題に使うか)

    ① おすすめ商品や音楽のレコメンド(類似度判定) 例えば、音楽アプリが「あなたに似た好みの曲」を探すとき、曲の特徴(テンポ、明るさ、激しさなど)を数値化して座標に置きます。そのとき、今聴いている曲の点からユークリッド距離が近い曲をピックアップして、「次はこの曲はどうですか?」と提案しています。

    ② 似たもの同士をグループ分けする(k-means法などのクラスタリング) 大量の顧客データを、「たくさん買い物をするグループ」「たまにしか来ないグループ」のように自動で分けるとき、データの中心点からのユークリッド距離を計算して、「近い点同士を同じグループに入れる」という処理が行われています。


    6. G検定での出題傾向

    G検定では、難しい計算式を書かされることはほとんどありません。それよりも「概念的な理解」が問われます。

    • 定義の確認: 「2点間の直線距離を測る尺度はどれか?」という基本問題。

    • 性質の理解: 「距離が小さい=データが似ている」という関係性を理解しているか。

    • 使い分け: 次回学ぶマンハッタン距離など、他の距離尺度との違いを正しく選べるか。

    「ユークリッド距離 = 直線 = 最短 = シンプル」というキーワードをセットで覚えておきましょう。


    7. G検定の例題

    【問題1:最頻出(基礎的な定義)】

    2つのデータ点があるとき、それらを直線で結んだ最短距離を計算する手法はどれか?

    A. マンハッタン距離
    B. ユークリッド距離
    C. コサイン類似度
    D. マハラノビス距離

    【問題2:頻出(特徴に関する問題)】

    機械学習において、ユークリッド距離を用いて2つのデータの「距離」を計算した結果、その値が非常に小さかった場合に考えられることはどれか?

    A. 2つのデータは互いに似ていない。
    B. 2つのデータは互いに似ている。
    C. データの相関関係が非常に強い。
    D. データに外れ値が含まれている。

    【問題3:ひっかけ(勘違いしやすいポイント)】

    ユークリッド距離について、正しい記述はどれか?

    A. 碁盤の目のように、軸に沿ってカクカクと移動した距離を測る。
    B. データの分布(分散や相関)を考慮して、統計的な距離を測る。
    C. 2点間を直線で結んだ最短距離を測る。
    D. 2つのベクトルの「向き」のしなり具合で類似度を測る。


    8. 7の例題の回答と解説

    【問題1:回答】 B

    【解説】 正解はBです。ユークリッド距離の定義そのものです。Aのマンハッタン距離は「カクカクした距離」、Cのコサイン類似度は「角度」を測るものです。

    【問題2:回答】 B

    【解説】 正解はBです。AIの世界では**「距離が近い(=数値が小さい)」ことは「似ている」こと**を意味します。反対に、距離が遠ければ遠いほど、性質が異なるデータであると判断されます。

    【問題3:回答】 C

    【解説】 正解はCです。

    • Aは「マンハッタン距離」の説明です。

    • Bは「マハラノビス距離」の説明です。

    • Dは「コサイン類似度」の説明です。 選択肢がすべて「距離や類似度の測り方」になっていますが、ユークリッド距離はシンプルに「直線」であることだけを思い出してください。


    9. Ankiアプリ用(CSV形式)

    ユークリッド距離とはどのような距離のことか?,2つの点の間を直線で結んだ最短距離のこと。
    AIがユークリッド距離を計算して値が小さかった場合、それは何を意味するか?,2つのデータが「似ている」ことを意味する。
    ユークリッド距離の計算のベースとなっている数学の定理は?,三平方の定理(ピタゴラスの定理)。
    ユークリッド距離とマンハッタン距離の決定的な違いは?,ユークリッド距離は直線距離を測り、マンハッタン距離は軸に沿ったカクカクした距離を測る点。
    ユークリッド距離が活用されているAIの具体例は?,おすすめ商品のレコメンドや、データのグループ分け(クラスタリング)。


    📝 総評・まとめ

    お疲れ様でした!今回は、AIが「似ているかどうか」を判断するための基本中の基本、ユークリッド距離について学びました。

    難しい数式に惑わされず、「ドローンで一直線に飛んでいく距離なんだな」というイメージさえ持っておけば、試験問題はバッチリ解けますよ。

    ✅ 絶対に覚えて!

    • ユークリッド距離 = 2点間の直線距離(最短距離)。

    • 距離が小さい → データが似ている。

    • 三平方の定理を使って計算される。


    🚀 次回予告 今回は「空を飛べるドローン」でしたが、次回は「道に沿って走るタクシー」のような距離の測り方について学びます。

    【第52回】AIはまっすぐ進めないとき距離をどう測る?マンハッタン距離とは


    【第52回】へ進む

    【第3章】へ戻る

    📚 シリーズトップへ戻る

    ✅ この記事が役に立ったら「スキ」で応援してください!
    あなたの応援が、次の解説を作るエネルギーになります!🚀

     
     
    【G検定合格ロードマップ】 AIを「挫折と突破の物語」で理解し、最短で合格するメソッドを発信。 難しい専門用語を簡単な言葉でストーリー化して解説します。 丸暗記を捨て、効率的に重要キーワードを習得したい方は必見です

    あなたへのおすすめ