潜在クラス分析（LCA）｜観測指標から“見えないクラス”を推定（混合モデル）

潜在クラス分析（LCA）｜観測指標から“見えないクラス”を推定（混合モデル）

観測されたカテゴリ/順序指標の背後にある“見えない集団（クラス）”を推定します。各クラスに属する確率もあわせて得られます。

まずはここだけ（やさしい導入）

• 何をする？: 似た回答パターンの人たちを“見えないクラス”として推定する
• いつ使う？: アンケートのタイプ分け、リスク層抽出、パーソナライズの基盤作り
• どう読む？: クラス別の回答確率とクラスサイズ、BIC でクラス数の妥当性を確認

用語ミニ辞典（1 行で）

• 潜在クラス: 観測できないが、回答パターンの違いから推定されるグループ
• EM アルゴリズム: 潜在変数のあるモデルを繰り返しで推定する方法
• BIC/AIC: モデル選択の指標。小さいほど良い（過学習を抑える）

ポイント

ミニ例題とコード（BIC でクラス数を選ぶ）

import numpy as np
import pandas as pd
from sklearn.mixture import GaussianMixture

# 簡易: 連続に近似して GMM でクラス数比較（概念的デモ）
df = pd.DataFrame({
  'q1':[0,1,1,0,1,0,1,1,0,0],  # 0/1 の順序近似
  'q2':[1,1,0,0,1,0,1,0,0,1],
  'q3':[0,1,0,0,1,0,1,1,0,1]
})

X = df.values.astype(float)
bics = []
for k in range(1,5):
    gmm = GaussianMixture(n_components=k, random_state=42).fit(X)
    bics.append((k, gmm.bic(X)))
print('BIC list:', bics)

注: 実務は poLCA（R）や専用実装を推奨（カテゴリ分布を直接モデル化）。

実務ケーススタディ（タイプ分け → 施策設計）

目的: サービスの利用態度（好み/頻度/不満）から顧客タイプを推定し、施策を分岐。

1. 設計と収集

• 順序/カテゴリ設問を 6–10 個。重複/極端項目は避ける

1. 推定と選択

• クラス数を BIC で比較しつつ、解釈可能性（施策に落とせるか）で最終決定

1. 活用

• クラス別の施策テンプレ（価格訴求/機能訴求/サポート強化 など）に落とす

練習問題（理解を定着）

1. BIC が k=3 で最小だが、k=2 の方が解釈しやすい。どうする？

• ヒント: 実務は解釈と運用性を重視。BIC とトレードオフで決める

1. 1 つのクラスが 5% 未満。何を疑う？

• ヒント: 過学習や外れ回答の影響。設問の見直しや k の再検討

1. クラス割当が期間で不安定。どう検証？

• ヒント: 別期間/再学習で一致度を確認（Jaccard 等）

• EM アルゴリズムで混合比とクラス別確率を推定
• クラス数は BIC/AIC で選択、解釈可能性も重視

ミニコード（概念）

# 実務は専用パッケージ（poLCA, mclust 等）推奨

活用

• 顧客タイプの推定、リスク層の抽出、施策のパーソナライズ