ロジスティック回帰の概念

ロジスティック回帰は、分類問題に使用される教師あり学習アルゴリズムです。線形回帰とは異なり、カテゴリカルな結果（例：はい／いいえ、真／偽）を予測します。

金融、医療、マーケティングなどの分野で広く使用されています。

ロジスティック回帰の仕組み

ロジスティック回帰では、シグモイド関数を使って線形出力を0から1までの確率値に変換します。この確率によってクラスラベルが決まります。

シグモイド関数

シグモイド関数の式は次のとおりです。

σ(z) = 1 / (1 + e^(-z))

ここで、zは線形式（mx + b）です。シグモイド関数はzを0から1までの範囲に写像します。

ロジスティック回帰の応用例

ロジスティック回帰は、主に次の用途で使用されます。

• スパム検出：メールがスパムかどうかを分類します。
• 医療：病気である可能性を予測します。
• マーケティング：購買行動に基づいて顧客をセグメント化します。

ロジスティック回帰の種類

ロジスティック回帰は、次の3種類に分類できます。

• 二項ロジスティック回帰：結果が2つあります（例：はい／いいえ）。
• 多項ロジスティック回帰：3つ以上のカテゴリを扱います（例：赤／青／緑）。
• 順序ロジスティック回帰：順序付けられたカテゴリを扱います（例：低／中／高）。

ロジスティック回帰の利点

ロジスティック回帰には、次のような利点があります。

• 実装と解釈が簡単です。
• 二値分類や単純な分類タスクで高い性能を発揮します。
• 意思決定に役立つ確率的な出力を提供します。

ロジスティック回帰の制限事項

ロジスティック回帰には、次のような制限があります。

• 変数間に線形関係があると仮定します（対数オッズを介した関係）。
• 複雑なデータセットや、非線形性が非常に高いデータセットでは、十分な性能を発揮できない場合があります。
• 外れ値の影響を受けることがあります。

ロジスティック回帰と線形回帰の比較

主な違いは次のとおりです。

• 線形回帰：連続値を予測します。
• ロジスティック回帰：カテゴリカルな結果を予測します。
• 出力：ロジスティック回帰は確率（0から1）を出力するのに対し、線形回帰は実数を出力します。

まとめと次のステップ

このレッスンでは、次の内容を学びました。

• ロジスティック回帰の概念と仕組み。
• シグモイド関数と、分類における役割。
• ロジスティック回帰の応用例、利点、制限事項。

次は、分類問題を解決するためにPythonでロジスティック回帰を実装します。