Linear Regression

線形回帰は、基本的な統計手法であり、従属変数（ターゲット）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教師あり学習で使用される基本アルゴリズムです。離散的なカテゴリを予測する分類アルゴリズムとは異なり、線形回帰は連続的な出力を予測するため、特定の数値を予測することが目的のタスクに不可欠です。そのシンプルさと解釈性は、モデルが誤差を最小化しながらデータから学習するコアメカニズムを導入するため、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。

中核的なメカニズムと学習#

この手法の主な目的は、データパターンを最もよく説明する「最適直線」（高次元の場合は超平面）を見つけることです。これを実現するために、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ものを計算します。トレーニングプロセス中、モデルは予測と実際のグラウンドトゥルースの間の不一致を減らすために、重みとバイアスとして知られるこれらの内部パラメータを反復的に調整します。

この不一致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に、勾配降下法などの最適化アルゴリズムを採用して重みを更新します。モデルがトレーニングデータ内のノイズに密接に一致しすぎると、過剰適合 (オーバーフィッティング)のリスクが生じ、一方、根本的な傾向をとらえるには単純すぎるモデルは過小適合 (アンダーフィッティング)に陥ります。

AIにおける現実世界の応用#

線形回帰の原則は、データ分析におけるシンプルな予測モデリングに関連付けられることが多いですが、高度なディープラーニング (DL)アーキテクチャに深く組み込まれています。

• 財務予測: アナリストは回帰を用いて、床面積、場所、過去の市場動向といった過去のデータポイントに基づき、住宅価格、株価、売上収益を予測します。
• コンピュータビジョンとオブジェクト検出: YOLO26ファミリーなどの最新のオブジェクト検出器は、検出ヘッドで回帰を利用しています。具体的には、モデルは「バウンディングボックス回帰」を実行して、画像内のオブジェクトの正確な連続座標（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、その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。対照的に、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渡すことによって、入力が特定のカテゴリに属する確率（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#

コンピュータビジョンの文脈において、Ultralytics YOLO26のようなモデルがオブジェクトを検出する際、バウンディングボックスの座標は回帰タスクの結果となります。モデルはオブジェクト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()}")

特殊なデータセットに対してこれらの回帰機能を活用するカスタムモデルのトレーニングを目指すユーザーは、Ultralytics プラットフォームを使用して、合理化されたアノテーションとクラウドトレーニングを行うことができます。これらの基本的な回帰原則を理解することは、人工知能 (AI)およびコンピュータビジョンの複雑なタスクを習得するための確固たる基盤となります。