メインコンテンツへスキップ
見出し画像

明日の気温を当てる(回帰)?それとも犬か猫か当てる(分類)?

    第2回(通算第67回)(学ぶキーワード:回帰と分類)

    「明日の最高気温は何℃になるかな?」
    「この写真に写っているのは犬かな、猫かな?」

    どちらもAI(人工知能)が得意とする予測ですが、実はAIが出す「答えの形」が根本的に違うのをご存じですか?🤔

    答えが「25.5℃」のような数値を当てるのが 回帰 📊
    答えが「犬」のような種類(グループ)を当てるのが 分類 🏷️

    今回は、一見似ているようで全く異なるこの2つの超重要テーマを、G検定対策のポイントを凝縮してわかりやすく徹底解説します!✨


    1. 読み方・基本用語 📖

    試験に出る重要用語の読み方と、絶対押さえるべき基本用語です!

    • 回帰(かいき)/ 回帰問題(かいきもんだい)

    • 分類(ぶんるい)/ 分類問題(ぶんるいもんだい)

    • 連続値(れんぞくち):気温や価格のように無数に続く切れ目のない数値

    • 離散値(りさんち):個数やカテゴリのように飛び飛びの値

    • 目的変数(もくてきへんすう):AIが最終的に予測したい「答え(正解ラベル)」💡

    • 説明変数(せつめいへんすう):答えを予測するための「ヒント(入力データ)」💡

    • ロジスティック回帰(ろじすてぃっくかいき):名前に反して「分類」に使う超頻出手法!

    📌 例えで覚える変数
    「明日の気温(目的変数)」を予測するために、「今日の気温・湿度・風速(説明変数)」をAIに入力します!


    2. 意味(定義) 🧠

    どちらも「問題と正解がセット」の 教師あり学習 に属しますが、予測対象が大きく異なります!

    📊 回帰とは「数値」を当てる予想ゲーム

    「来月の売上はいくらになるだろう?」「この中古物件、いくらで売れるかな?」

    普段の生活やビジネスで、未来の「具体的な数値」が知りたくなることってありますよね💭

    回帰(Regression)は、入力されたデータ(説明変数)同士の関係性を分析し、連続した数値(連続値) を予測する手法です!

    例えば、不動産の価格予測で考えてみましょう🏠

    AIに「駅徒歩5分」「築10年」「専有面積60平米」というヒントを与えると、AIは過去の膨大なデータから「予測価格:3,850万円」という数値を弾き出します。

    このように、答えが小数点以下も含めて無限に変化する連続値である場合、それはすべて「回帰問題」になります!

    💡 回帰のキーワード:「いくら?」「どのくらい?」「何℃?」

    🏷️ 分類とは「決められた箱」に入れるゲーム

    一方で、「このメールってスパム?それとも大事な連絡?」「この検査画像、腫瘍は良性?悪性?」という疑問はどうでしょう?

    ここでは「3,850万円」のような数字ではなく、「どのグループに属するか」というカテゴリ(離散値)の答えが欲しいですよね!💡

    分類(Classification)は、データをあらかじめ用意された枠組み(カテゴリ)のいずれかに割り当てる手法です!

    例えば、犬猫判定AIの場合🐶🐱
    ① 「犬」と「猫」という箱(カテゴリ)を用意する
    ② 画像の特徴を抽出して分析する
    ③ 「この画像が犬である確率は85%!だから答えは【犬】!」と判断する

    分類には、2つの選択肢から選ぶ「2値分類(例:スパム/非スパム)」と、3つ以上から選ぶ「多クラス分類(例:手書き数字の0〜9判定)」があります!

    💡 分類のキーワード:「どっち?」「どの種類?」「どのグループ?」


    3. 歴史・背景 📜

    人類の「未来予測」の歴史から生まれた 🏛️

    人間は昔から、「過去のデータから法則を見つけて未来を予測したい」という強い欲求を持っていました。

    19世紀、天文学者ガウスや統計学者ゴルトンらが、天体の軌道予測や親子の身長の関係を調べる中で生み出したのが 回帰分析 の始まりです📊

    「身長が高い親の子は、平均値へ『回帰(戻る)』する傾向がある」という生物学的な発見が名前の由来なんです!

    歴史を知ると、なぜ「回帰」という難しい言葉を使うのか納得がいきますよね✨

    一方で、産業革命以降、植物の品種鑑別や製品の検品など、「対象を正しくグループ分けしたい」というニーズから 分類理論 も急速に発展しました🏭

    なぜAI時代にこの区別が「超重要」なのか? 🤔

    「AIを作ろう!」となったとき、最初に「回帰」か「分類」かを明確に定義しないと、AIの設計そのものが崩壊してしまうからです💦

    なぜなら、使いたい目的に応じて以下の設計が全滅してしまうから!

    • 使うアルゴリズム(線形回帰なのか、ロジスティック回帰なのか)

    • AIの評価基準(誤差の小ささで測るのか、正解率で測るのか)

    AI開発の第一歩は、「欲しい答えは数値か?カテゴリか?」 を正しく見極めることから始まります!


    4. 似た用語との違い(比較) 🔍

    試験で最も落としやすい「分類とクラスタリング」の違いをスッキリ整理しましょう!

    🏷️ 分類(教師あり学習)

    • 正解ラベル:あり(あらかじめグループ名が決まっている)

    • 処理内容:未知のデータが「どの既存グループに入るか」を予測する

    • 具体例:過去の犬・猫画像で学習し、新しい画像を「犬」か「猫」に分ける

    🧩 クラスタリング(教師なし学習)

    • 正解ラベル:なし(正解のグループ分けが存在しない)

    • 処理内容:データの似ている特徴同士を自動で集めてグループ(クラスタ)を作る

    • 具体例:顧客の購入履歴から、似た購買パターンの人たちを自動でいくつかのグループにまとめる

    💡 区別のコツ
    「正解のラベルがあらかじめ用意されているか?」をチェック!
    ラベルがあれば「分類」、ラベルがなく自力でグループを探すなら「クラスタリング」です!


    5. 活用シーン 🛠️

    実社会で使われている具体例を一覧で確認しましょう!

    📊 回帰の活用シーン(数値を予測)

    • 不動産・中古車:築年数や走行距離から「販売価格」を予測

    • 小売・店舗:過去の天気や曜日から「明日の来店客数・売上高」を予測

    • エネルギー:気温や産業活動データから「明日の電力需要量」を予測

    • 金融:市場の各種指標から「将来の株価・為替レート」を予測

    🏷️ 分類の活用シーン(カテゴリを判定)

    • セキュリティ:受信メールを「スパムメール / 通常メール」に振分け

    • 医療診断:レントゲン画像から「異常あり / 異常なし」を判定

    • 製造業:製品画像から「良品 / 不良品」を検品(外観検査)

    • 文字認識(OCR):手書き文字を「0〜9の数字」として特定


    6. G検定での出題傾向&対策 🎯

    ⚠️ 最強のひっかけ用語「ロジスティック回帰」

    試験で100%と言っていいほど出題される超重要トラップです!

    • ロジスティック回帰(Logistic Regression)

      • 名前に「回帰」とついていますが、主に「分類問題」で使われます!

      • 入力データから「特定のカテゴリに属する確率(0〜1)」を計算し、その確率をもとに「合格/不合格」「購入する/しない」などを分類します。

    💡 絶対に覚えるセット

    • 線形回帰 ➔ 数値を予測する(回帰問題)

    • ロジスティック回帰 ➔ カテゴリを分類する(分類問題)

    🧠 代表的なアルゴリズムの分類

    試験では「このアルゴリズムは回帰・分類のどちらに使われるか」が問われます!両方で使える手法が多い点もポイントです。

    • 回帰に使う手法

      • 線形回帰(単回帰・重回帰)

      • サポートベクター回帰(SVR)

      • 決定木レグレッサー / ランダムフォレスト

    • 分類に使う手法

      • ロジスティック回帰

      • サポートベクターマシン(SVM)

      • 決定木分類器 / ランダムフォレスト

      • k近傍法(k-NN)

      • ナイーブベイズ

    📏 評価指標の違い(超頻出!)

    AIの賢さを測る指標も、回帰と分類で完全に分かれます!

    • 回帰の評価指標(誤差の小ささを測る)

      • MSE(平均二乗誤差):予測と正解の差を2乗して平均した値

      • RMSE(平方根平均二乗誤差):MSEのルートをとり単位を元に戻した値

      • MAE(平均絶対値誤差):予測と正解の差の絶対値を平均した値

      • 決定係数(R2):モデルの当てはまりの良さを0〜1で表す指標

    • 分類の評価指標(当たった割合を測る)

      • 正解率(Accuracy):全体の中でどれだけ正解できたか

      • 適合率(Precision):AIが「正」と予測した中で本当に「正」だった割合

      • 再現率(Recall):本物の「正」の中でAIが正解できた割合

      • F値(F-measure):適合率と再現率の調和平均


    7. G検定 演習問題 📝

    問題1(基本)

    機械学習における回帰問題と分類問題の説明として、最も適切なものを1つ選べ。

    ① 回帰問題はあらかじめ定義されたカテゴリを予測し、分類問題は連続した数値を予測する
    ② 回帰問題は連続した数値を予測し、分類問題にあらかじめ定義されたカテゴリを予測する
    ③ 回帰問題は教師なし学習であり、分類問題は必ず強化学習である
    ④ 回帰問題も分類問題も正解ラベルを必要としない教師なし学習である

    問題2(応用)

    機械学習の手法や評価指標に関する記述として、最も適切なものを1つ選べ。

    ① ロジスティック回帰は、名前に「回帰」とある通り、主に連続した数値を予測するために用いられる
    ② 回帰問題の評価指標としては、正解率(Accuracy)や適合率(Precision)が一般的に用いられる
    ③ 顧客データから正解ラベルなしで似た購買傾向のグループを作る処理は、分類問題に該当する
    ④ 決定木やランダムフォレストは、回帰問題と分類問題のどちらにも適用することができる

    問題3(ひっかけ)

    ある工場で「カメラ画像から製品の表面にある傷の長さをミリメートル単位で推定するAI」と、「製品が良品か不良品かを判定するAI」を開発することになった。それぞれのAIが扱う問題の組み合わせとして正しいものを1つ選べ。

    ① 傷の長さ推定:回帰問題 / 良否判定:分類問題
    ② 傷の長さ推定:分類問題 / 良否判定:回帰問題
    ③ 傷の長さ推定:回帰問題 / 良否判定:クラスタリング
    ④ 傷の長さ推定:クラスタリング / 良否判定:分類問題


    8. 演習問題の解答と解説 💡

    【問題1:回答】 ②

    • 解説 回帰=連続した数値(気温や価格など)の予測、分類=カテゴリ(犬/猫、良品/不良品など)の予測です。①は説明が逆、③と④は学習モデルの種別が誤りです(回帰・分類はどちらも教師あり学習が基本です)。

    【問題2:回答】 ④

    • 解説 正解は④です。決定木やランダムフォレストは、条件分岐を利用して「数値の予測(回帰)」にも「カテゴリの予測(分類)」にも利用できます。 ①ロジスティック回帰は分類に使うため誤り、②正解率や適合率は分類の評価指標のため誤り、③正解ラベルなしのグループ化はクラスタリングのため誤りです。

    【問題3:回答】 ①

    • 解説 「傷の長さ(ミリメートル単位)」は連続した数値の予測なので回帰問題です。一方、「良品か不良品か」は2つのカテゴリの判定なので分類問題となります。問題文の題材に惑わされず、出す答えの形式に注目するのがポイントです!


    9. Anki暗記カード用データ 🎴

    回帰問題とはどのような問題か?,入力データから連続した数値(気温や価格など)を予測する問題
    分類問題とはどのような問題か?,入力データがどのカテゴリ(犬猫や良品不良品など)に属するかを予測する問題
    ロジスティック回帰は回帰問題と分類問題のどちらに使われるか?,名前に回帰と付くが主に分類問題に使われる
    分類問題とクラスタリングの最大の違いは?,分類は正解ラベルあり(教師あり)でクラスタリングは正解ラベルなし(教師なし)
    回帰問題で使われる代表的な評価指標は?,MSE(平均二乗誤差)やRMSEやMAEや決定係数(R2)
    分類問題で使われる代表的な評価指標は?,正解率(Accuracy)や適合率(Precision)や再現率(Recall)やF値


    📝 まとめ

    • 回帰 ➔ 「いくら?何℃?」といった 連続した数値 を当てる 📊

    • 分類 ➔ 「どっち?どの種類?」といった カテゴリ を当てる 🏷️

    • ロジスティック回帰 ➔ 名前に騙されるな!「分類」 の手法!⚠️

    予測したい「答えの形」に注目して、自信を持って問題を解いていきましょう!✨

     
     
    【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