Linear Regression

線形回帰は、基本的な統計手法であり、教師あり学習における基礎的なアルゴリズムです。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、特定の数値を予測すること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のしやすさは、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、モデルが誤差を最小化することでデータからどのように学習するかという中核的なメカニズムを紹介するものであるためです。

Link to this section中核的なメカニズムと学習#

この手法の主な目的は、データのパターンを最もよく説明する「最良適合線」（高次元の場合は超平面）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加重合計にバイアス項を加えたものを計算します。学習プロセス中、モデルは予測と実際の正解と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内部パラメータを繰り返し調整します。

This discrepancy is quantified using a loss function, with the most common choice being Mean Squared Error (MSE). To effectively minimize the loss, an optimization algorithm such as gradient descent is employed to update the weights. If the model aligns too closely with the noise in the training data, it risks overfitting, whereas a model that is too simple to capture the underlying trend suffers from underfitting.

Link to this sectionAIにおける現実世界の応用#

While often associated with simple predictive modeling in data analytics, linear regression principles are deeply embedded in advanced deep learning (DL) architectures.

• 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物体検出: YOLO26モデルファミリーのような現代の物体検出器は、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。

Link to this section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：自動車の価格）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、シグモイド関数のような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に属する確率（例：電子メールが「スパム」か「スパムではない」か）を予測します。

Link to this section例：物体検出における回帰#

コンピュータビジョンの文脈では、YOLO26のようなモデルが物体を検出する際、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。モデルは物体を正確に特定するために連続的な値を予測します。

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特殊なデータセットで活用するカスタムモデルの学習を希望するユーザーは、Ultralytics Platformを使用して、効率的なアノテーションやクラウド学習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。