【第60回】AIは直線で予測できる？線形回帰とは
売上や気温のように、数値を予測したい場面はたくさんあります。
そのとき、関係を直線で表そうとする基本手法が線形回帰です。
この記事では、回帰分析のもっとも基本となる考え方をやさしく解説します。
1. 読み方
せんりかいき (Linear Regression)
2. 意味（定義）
「あるデータ（原因）から、別の数値（結果）を予測するために、データの傾向を『直線』で表す手法」のことです。
線形 (Linear): 「直線的な」という意味です。グラフに描いたときに、まっすぐな線になることを指します。
回帰 (Regression): 統計学の用語で、「過去のデータから、未知の数値を予測する」というプロセスを指します。
【テストの点数と勉強時間の例え】 あなたは「勉強時間が増えると、テストの点数はどれくらい上がるか？」を知りたいと考えています。
過去の自分のデータを集めます。「1時間勉強したら40点」「3時間なら60点」「5時間なら80点」。
この点をグラフ（散布図）にプロットします。
これらの点の間を、「もっともそれらしく通る一本の直線」を引きます。
この直線の式（例：点数 = 20× 勉強時間 + 20）ができれば、次に「もし10時間勉強したら」という未知の数値（予測値）が計算できるようになります。
これが「線形回帰」の仕組みです。
3. 歴史・背景
線形回帰は、統計学において非常に古い歴史を持つ、もっとも基礎的な手法です。ガウス（Gauss）やルジャンドル（Legendre）といった、数学の偉人たちが19世紀初頭に確立した「最小二乗法」という考え方が、その根幹にあります。
現代の複雑なディープラーニング（ニューラルネットワーク）も、実はこの「線形な計算」を何層にも積み重ねて、複雑な曲線を表現しようとしているものなのです。つまり、線形回帰は、すべてのAI技術の「細胞」のような存在といえます。
4. 比較・対比（似た用語との違い）
ここが試験で狙われる「整理」ポイントです！
線形回帰 vs ロジスティック回帰 ★超重要
線形回帰: 「連続的な数値（いくら？、何点？）」を予測する。出力は −∞ から +∞ まで。
ロジスティック回帰: 「クラス（Yes/No、合格/不合格）」を分類する。出力は 0 から 1 の間の「確率」。
線形回帰 vs 非線形回帰 ★重要
線形回帰: データの関係を「直線」で表す。
非線形回帰: データの関係がカーブしている場合（例：二次関数的な動き）に、曲線を使って予測する。
5. 活用シーン（どんな問題に使うか）
売上予測: 「広告費をこれくらい増やしたら、来月の売上はいくらになるか？」
不動産価格の予測: 「駅からの距離や広さがこれくらいなら、家賃はいくらになるか？」
需要予測: 「気温がこれくらい上がったら、アイスクリームの売れる個数はどれくらいか？」
6. G検定での出題傾向
G検定では、以下のポイントが狙われます！
「回帰タスク」の定義: 数値（連続量）を予測するタスクであることの理解。
「最小二乗法 (Ordinary Least Squares)」の役割: 「実際のデータと、予測した直線のズレ（誤差）の2乗の合計を、もっとも小さくするように線を引く」という、学習の仕組みの名前。
「単回帰」vs「重回帰」:
単回帰: 原因となる変数が「1つ」だけ。（例：勉強時間 → 点数）
重回帰: 原因となる変数が「複数」ある。（例：勉強時間 + 睡眠時間 + 塾の有無 → 点数）
「決定係数 (R2)」: その直線が、どれくらいデータにフィットしているかを表す指標（1に近いほど良い）。
7. G検定の例題
【問題1：タスクの分類】
機械学習における「回帰（Regression）」タスクの説明として、最も適切なものはどれですか？
A. 入力されたデータが、あらかじめ決められた複数のカテゴリのいずれかに属するかを判定するタスク。
B. データの構造（グループ）を見つけ出し、ラベルのないデータを分類するタスク。
C. 過去のデータに基づき、ある連続的な数値（例：気温や株価）を予測するタスク。
D. 画像の中から特定の物体（例：犬や猫）を検出して、その位置を特定するタスク。
【問題2：学習手法の理解】
線形回帰モデルを構築する際、実際のデータ点と予測値（直線上の点）との間の「誤差の2乗」の合計を最小にするようにパラメータを決定する手法を何と呼びますか？
A. 勾配降下法 (Gradient Descent)
B. 最小二乗法 (Least Squares Method)
C. バックプロパゲーション (Backpropagation)
D. エントロピー最大化 (Entropy Maximization)
8. 例題の回答と解説
【問題1 の回答】
正解：C
【解説】 「回帰」は、数値（連続量）を予測するタスクです。A は「分類（Classification）」の説明、B は「クラスタリング（Clustering）」の説明、D は「物体検出（Object Detection）」の説明であり、誤りです。
【問題2 の回答】
正解：B
【解説】 線形回帰において、もっとも標準的な学習アルゴリズムは「最小二乗法」です。誤差を「2乗」して合計することで、マイナスの誤差もプラスとして扱い、大きなズレに対して強いペナルティを与えることができます。A は最適化の一般的な手法（重い計算で使う）、C はニューラルネットワークの学習手法、D は情報理論の概念であり、誤りです。
