【第54回】AIは数を予測する？種類を分ける？回帰タスクと分類タスクとは

2026年5月5日 22:03

AIに予測させたいものは、「数値」のときもあれば「カテゴリ」のときもあります。
この違いを理解することが、機械学習の入口になります。
この記事では、回帰タスクと分類タスクの違いをやさしく解説します。

機械学習の「教師あり学習」において、解こうとしている問題は大きく分けてこの2つのタイプに分かれます。

回帰タスク (Regression): 「数値を当てる問題」
- 連続した「数値」を予測するのが目的です。「どれくらい？」という問いに答えるものです。
- 例：明日の気温は何度か？、この家の価格は何円か？、株価はいくらになるか？
分類タスク (Classification): 「種類を当てる問題」
- あらかじめ決まった「カテゴリ（グループ）」のどれに当てはまるかを予測するのが目的です。「どれ？」という問いに答えるものです。
- 例：このメールはスパムか、そうでないか？、この画像には犬と猫のどちらが写っているか？、この手書き文字は「3」か「8」か？

統計学の歴史を遡ると、これらは非常に古くから存在しています。

回帰: 19世紀の統計学者フランシス・ゴルトンが、「親の身長と子供の身長の関係（平均に回帰する現象）」を研究したことが始まりです。数値の変動を予測する手法は、経済学や気象学などで古くから使われてきました。
分類: 判別分析などの手法は、生物学的な分類や、医学的な診断（病気か否か）などの目的で発展してきました。

現代のディープラーニング（深層学習）においても、この「回帰」と「分類」という基本構造は変わっておらず、AIが解いている問題のほとんどはこのどちらかに分類されます。

ここが試験で狙われる「整理」ポイントです！

回帰 vs 分類 ★超重要
- 出力される値: 回帰は「連続的な数値（15.5度、100万円など）」、分類は「離散的なラベル（犬、猫、スパムなど）」。
- 予測の性質: 回帰は「量の変化」を捉え、分類は「境界線」を見つける。
二値分類 (Binary Classification) vs 多クラス分類 (Multi-class Classification) ★重要
- 二値分類: 答えが2つしかない（Yes/No、合格/不合格）。
- 多クラス分類: 答えが3つ以上ある（犬/猫/うさぎ、数字の0〜9）。

回帰タスクの活用例:
- 需要予測: 来週のコンビニのおにぎりの売上個数を予測する。
- 不動産価格査定: 面積や築年数から、物件の適正価格を算出する。
- 自動運転: 車が障害物との距離を何メートルと判断するか。
分類タスクの活用例:
- 画像認識: 写真に写っているのが「信号の赤」か「青」かを判定する。
- 感情分析: SNSの投稿文が「ポジティブ（喜び）」か「ネガティブ（怒り）」かを判定する。
- 医療診断: 検査結果から、疾患があるかないかを判定する。

G検定では、以下のポイントが狙われます！

タスクの判別: 与えられた具体的なシナリオ（例：売上予測）が、「回帰」なのか「分類」なのかを瞬時に見抜く。
出力値の性質: 「連続的な数値」か「カテゴリ（ラベル）」かという定義の理解。
手法との紐付け:
- 「ロジスティック回帰」は名前に「回帰」と付いているが、実は「分類」タスクに使われる超頻出手法であること（ここ、ひっかけとして非常に有名です！）。
評価指標の混同に注意: 回視では「MSE（平均二乗誤差）」、分類では「正解率（Accuracy）」など、それぞれのタスクで使われる評価方法の違い。

【問題1：タスクの識別】

あるAI開発プロジェクトにおいて、「過去の気温、湿度、気圧のデータを用いて、翌日の『降水確率』を 0% から 100% の範囲の数値として予測する」というモデルを構築することになりました。このタスクは、次のうちどれに該当しますか？

【問題2：手法とタスクの組み合わせ】

「ロジスティック回帰」という手法について、正しい説明はどれですか？

【問題1 の回答】

正解：C

【解説】 「降水確率」という、0% から 100% という範囲を持つ連続的な数値を予測しようとしているため、これは回帰タスクに該当します。（もし、「雨が降るか、降らないか」の2択であれば分類になります。）

【問題2 の回答】

正解：C

【解説】 ここがG検定の「超定番ひっかけ」です！名前には「回帰」と付いていますが、ロジスティック回帰は、ある事象が起こる確率を計算し、その結果に基づいて「クラス（例：スパムか否か）」を判定する分類タスクのための手法です。A は誤りです。

いいなと思ったら応援しよう！