【第56回】AIは確率から分類できる？ロジスティック回帰とは
前回は、データに一本の直線を引いて数値を当てる「線形回帰」について学びました。 でも、世の中には「数値」ではなく、「合格か不合格か」「スパムメールかそうでないか」のように、2つのグループのどちらかに分ける問題の方がたくさんありますよね。 今回は、そんな「分類」をスマートにこなす、線形回帰の親戚のような手法について解説します！
1. 読み方
ロジスティック回帰 ＝ ろじすてぃっくかいき
2. 意味（定義）
ロジスティック回帰を一言でいうと、「ある出来事が起こる『確率』を計算して、白か黒かを判定する手法」のことです。
ここで面白いのが、名前に「回帰」と付いているのに、実際には「分類」に使われるという点です。
例えば、「勉強時間」から「テストに合格するか」を予想する場合を考えてみましょう。
線形回帰だと、「勉強時間が10時間なら、点数は85点になる」と数値を予測します。
ロジスティック回帰だと、「勉強時間が10時間なら、合格する確率は90%だ！」と確率を計算します。
そして、「確率が50%を超えていれば『合格』、そうでなければ『不合格』」というルール（しきい値）を決めることで、最終的なグループ分けを行います。
このとき、どんなに大きな数字や小さな数字が入ってきても、無理やり「0から1（0%〜100%）の間」にギュギュッと押し込める魔法の関数（シグモイド関数）を使っているのが最大の特徴です。
3. 歴史・背景
もともと統計学の世界で使われていた手法ですが、AI（機械学習）の発展において非常に重要な役割を果たしました。
なぜ重要かというと、このロジスティック回帰の仕組みが、今のAIの主役である「ニューラルネットワーク（深層学習）」の最小単位（パーセプトロン）の考え方にそっくりだからです。
「入ってきた情報をまとめて、ある基準を超えたら信号を出す」というシンプルな仕組みを何層も積み重ねることで、今の複雑なAIが作られています。つまり、ロジスティック回帰は「AIが判断を下すための基本ルール」を形作った、とても価値のある手法なのです。
4. 比較・対比（似た用語との違い）
よく混同される「線形回帰」との違いを整理しましょう。
【線形回帰】
目的： 具体的な「数値」を当てること（回帰）。
答えの例： 「明日の気温は25度」「この家の価格は3,000万円」。
グラフの形： まっすぐな「直線」。
【ロジスティック回帰】
目的： どちらの「グループ」に属するかを当てること（分類）。
答えの例： 「合格である確率が80%（＝合格）」「スパムである確率が95%（＝スパム）」。
グラフの形： 0と1の間でなだらかに曲がる「S字カーブ（シグモイド曲線）」。
5. 活用シーン（実社会のどこで、どんな問題に使うか）
① メールの「スパム判定」 メールの中に「無料」「当選」などの特定の単語がどれだけ含まれているかから、「このメールがスパムである確率」を計算します。確率が一定以上（例えば90%以上）なら、自動的にスパムフォルダへ振り分けられます。
② 医療現場での「疾患の有無の判定」 検査数値（血圧や血糖値など）から、「ある病気にかかっている確率」を算出します。これにより、医師が診断を下す際の強力なサポートツールとして活用されています。
6. G検定での出題傾向
G検定では、特に以下の3点が狙われます。
「名前のひっかけ」： 「回帰という名前がついているが、実際には『分類』に用いられる」という点は超重要です。
「シグモイド関数」： 出力値を0から1の範囲に収めるための関数として、この名前がセットで出題されます。
「二値分類」： 基本的に「AかBか」の2つのクラスに分ける問題に使われることを理解しておいてください。
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
ロジスティック回帰の主な目的として、最も適切なものはどれか？
A. 連続した数値を精密に予測すること
B. データを複数のグループに自動的に分けること（教師なし学習）
C. 2つのクラスのどちらに属するかを確率的に分類すること
D. データの相関係数を算出すること
【問題2：頻出（特徴に関する問題）】
ロジスティック回帰において、予測値を0から1の範囲に変換するために用いられる関数はどれか？
A. 活性化関数（シグモイド関数）
B. 損失関数（平均二乗誤差）
C. 正弦関数（サイン関数）
D. 線形関数
【問題3：ひっかけ（勘違いしやすいポイント）】
ロジスティック回帰に関する記述として、正しいものはどれか？
A. 予測結果として、必ず-∞から+∞までの連続値を返す。
B. 目的変数が連続値である「回帰問題」を解くための専用手法である。
C. 出力された確率がしきい値を超えたかどうかで、クラスを決定する。
D. 複雑な非線形関係をそのまま直線で表現できるため、精度が極めて高い。
8. 7の例題の回答と解説
【問題1：回答】 C
【解説】 正解はCです。ロジスティック回帰は、名前は「回帰」ですが、実際には「このデータはクラスAである確率が高い」と判断してグループ分けする「分類」の手法です。Aは線形回帰の説明、Bはクラスタリングなどの説明です。
【問題2：回答】 A
【解説】 正解はAです。ロジスティック回帰の最大の特徴は、どんな値でも0〜1の範囲に変換する「シグモイド関数」を使うことです。これにより、「確率」として答えを出すことが可能になります。
【問題3：回答】 C
【解説】 正解はCです。
A：0から1の範囲に限定して返します。
B：回帰という名前ですが、実際は「分類問題」に使います。
D：基本的にはシンプルな境界線で分けるため、あまりに複雑なデータには不向きです。 ロジスティック回帰は、「確率を出し、それをしきい値（例：0.5）で区切ってクラスを決める」というステップを踏みます。
9. Ankiアプリ用（CSV形式）
ロジスティック回帰の主な目的は何か？,2つのグループ（クラス）のどちらに属するかを分類すること。
ロジスティック回帰で使われる0から1の範囲に値を変換する関数は？,シグモイド関数
ロジスティック回帰は「回帰」と「分類」のどちらに分類される手法か？,分類
ロジスティック回帰の出力結果は何として解釈されるか？,あるクラスに属する「確率」
ロジスティック回帰でクラスを決定する際に使う基準（境界線）を何と呼ぶか？,しきい値
📝 総評・まとめ
お疲れ様でした！「名前は回帰なのに、やってることは分類」という、ちょっとしたひねりがあるロジスティック回帰でしたが、イメージは掴めましたか？ 「確率を計算して、しきい値でパカッと分ける」というシンプルな仕組みが、実は現代のAIの根幹を支えていると思うと面白いですよね。
✅ 絶対に覚えて！
ロジスティック回帰 ＝ 「分類」の手法であること！
シグモイド関数 ＝ 出力値を「0〜1」にギュギュッと押し込める関数！
判定の流れ ＝ 「確率を出す」→「しきい値で分ける」！
🚀 次回予告 今回は「確率」を使って分ける方法を学びました。でも、AIには「自分の周りに似た人が多ければ、自分も同じグループだろう」という、より直感的な判断方法もあります。
【第57回】AIは近くの仲間を見て決める？k近傍法とは
✅ 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！🚀
