ロジスティック回帰の概念

ロジスティック回帰の概念

ロジスティック回帰は、分類問題に使わ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、カテゴリ値（はい／いいえ、真／偽など）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われています。

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。

シグモイド関数の公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までの範囲に変換します。

ロジスティック回帰は、主に次の用途で使われています。

• スパム検出：メールがスパムかどうかを分類します。
• 医療：病気にな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は、次の3種類に分類できます。

• 二項ロジスティック回帰: 2つの結果のいずれかを予測します（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適切に機能します。
• 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（対数オッズを介して）。
• 複雑なデータセットや、非線形性が非常に強いデータセットでは、十分に機能しない場合があります。
• 外れ値の影響を受けやすい場合があります。

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（0～1）を出力するのに対し、線形回帰は実数を出力します。

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、分類におけるその役割
• ロジスティック回帰の用途、利点、制限

次は、Pythonでロジスティック回帰を実装し、分類問題を解決します。