Linear Regression

線形回帰は、教師あり学習で使用される基本的な統計手法および基礎的なアルゴリズムであり、従属変数（目的変数）と1つ以上の独立変数（特徴量）の関係をモデル化するために使用されます。離散的なカテゴリーを予測する分類アルゴリズムとは異なり、線形回帰は連続値の出力を予測するため、具体的な数値の予測を目的とするタスクで不可欠です。その単純さと解釈しやすさは、より複雑な機械学習 (ML)の概念を理解するための入り口となります。これは、誤差を最小化することでモデルがデータから学習する仕組みの基本を導入するためです。

基本的な仕組みとトレーニング#

この手法の主な目的は、データのパターンを最も適切に表す「最適近似直線」、つまり高次元では超平面を見つけることです。これを実現するため、アルゴリズムは入力特徴量の加重和にバイアス項を加えた値を計算します。トレーニング中、モデルは重みとバイアスと呼ばれる内部パラメーターを反復的に調整し、予測と実際の正解データとのずれを小さくします。

このずれは損失関数を使用して定量化され、最も一般的な選択肢は平均二乗誤差 (MSE)です。損失を効果的に最小化するため、勾配降下法などの最適化アルゴリズムを使用して重みを更新します。モデルがトレーニングデータのノイズに過度に適合すると、過学習が発生するリスクがあります。一方、基礎にある傾向を捉えるには単純すぎるモデルは、未学習になります。

AIにおける実世界の応用#

線形回帰は、データ分析における単純な予測モデリングと関連付けられることが多い一方で、その原理は高度なディープラーニング (DL)アーキテクチャにも深く組み込まれています。

• 財務予測: アナリストは、床面積、立地、過去の市場動向などの履歴データに基づいて、住宅価格、株価、売上高を予測するために回帰を使用します。
• コンピュータービジョンと物体検出: YOLO26ファミリーなどの最新の物体検出器は、検出ヘッドで回帰を利用します。具体的には、モデルは「バウンディングボックス回帰」を実行し、画像内の物体の正確な連続座標（中心 x、中心 y、幅、高さ）を予測します。

線形回帰とロジスティック回帰の比較#

この用語をロジスティック回帰と区別することが重要です。どちらも線形モデルですが、出力は大きく異なります。線形回帰は連続的な数値（例: 車の価格）を予測します。これに対して、ロジスティック回帰は分類タスクに使用され、シグモイド関数などの活性化関数に線形出力を通すことで、入力が特定のカテゴリーに属する確率（例: メールが「スパム」か「スパムではない」か）を予測します。

例: 物体検出における回帰#

コンピュータービジョンの文脈では、Ultralytics YOLO26のようなモデルが物体を検出するとき、バウンディングボックスの座標は回帰タスクの結果です。モデルは物体を正確に特定するために、連続値を予測します。

from ultralytics import YOLO

# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")

# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
    print(f"Box Regression Output (xywh): {box.xywh.numpy()}")

これらの回帰機能を活用して専門的なデータセット向けのカスタムモデルをトレーニングしたいユーザーは、アノテーションとクラウドトレーニングを効率化するUltralytics Platformを利用できます。これらの基本的な回帰原理を理解することは、人工知能 (AI)やコンピュータービジョンにおける複雑なタスクを習得するための確かな基盤となります。