線形回帰

線形回帰は、教師あり学習における基本的な統計手法であり、基礎的なアルゴリズムです。これは、従属変数（ターゲット）と1つ以上の独立変数（特徴量）と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、特定の数値の予測を目的とするタスクにおいて不可欠です。そのシンプルさと解釈可能性は、誤差を最小化することでモデルがデータから学習する基本的な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。

主要なメカニズムとトレーニング

この手法の主な目的は、データパターンを最もよく記述する「最適な適合線」、または高次元における超平面を見つけることです。これを達成するために、アルゴリズムは入力特徴量の重み付き合計にバイアス項を加算して計算します。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との間の不一致を減らすために、weights and biases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用いて定量化され、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が重みの更新に用いられます。モデルが訓練データのノイズに過度に適合しすぎると、過学習のリスクがあり、一方、根本的な傾向を捉えるには単純すぎるモデルは未学習に陥ります。

AIの実世界での応用

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ですが、線形回帰の原理は高度なディープラーニング (DL)アーキテクチャに深く組み込まれています。

• 財務予測: アナリストは回帰分析を使用して、面積、場所、過去の市場トレンドなどの履歴データポイントに基づいて、住宅価格、株価、または売上高を予測します。
• コンピュータビジョンとオブジェクト検出: YOLO26モデルファミリーのような最新のオブジェクト検出器は、その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 vs. ロジスティック回帰

この用語とロジスティック回帰を区別することが重要です。両者と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用いられ、線形出力をシグモイド関数のような活性化関数に通すことで、入力が特定のカテゴリ（例：メールが「スパム」か「スパムではない」か）に属する確率を予測します。

例: オブジェクト detect における回帰

コンピュータビジョンの文脈において、YOLO26のようなモデルがオブジェクトをdetectする際、バウンディングボックス座標は回帰タスクの結果です。モデルは連続値を予測して、オブジェクトを正確に特定します。

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をトレーニングしたいユーザーは、合理化されたアノテーションとクラウドトレーニングのために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)および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強固な基盤となります。