潜在変数
潜在変数とは、データから直接観測することはできないものの、背後にある本質的な構造やメカニズムを説明するために仮定される変数です。機械学習や統計学において、複雑なデータの背後にある要因を見つけ出すために広く利用されています。
統計学のAI用語一覧
33件統計学に関するAI用語を33件掲載しています。意味や使い方、関連用語を一覧から確認できます。
線形判別分析
線形判別分析（LDA）は、教師あり学習の次元削減および分類手法の一つです。データがどのグループに属するかを最もよく区別できるように、新しい軸（超平面）を見つけてデータを射影します。クラス間の分散を最大化し、クラス内の分散を最小化するように線形結合を計算するため、データの可視化や前処理に広く活用されています。
ロジスティック回帰
ロジスティック回帰とは、データが特定のクラスに属する確率を予測するための代表的な機械学習アルゴリズムです。名前は回帰ですが、実際にはスパムメールの判定や病気の有無といった「分類問題」を解決するために広く使われる基本手法です。
回帰分析
回帰分析は、過去のデータから変数間の関係性を数式で表し、数値の予測や要因の分析を行う統計手法です。機械学習においては、売上予測や価格推定などの連続値を予測するタスクの基礎として広く活用されています。
データサイエンス
データサイエンスとは、データの収集、処理、分析を通じて、価値ある洞察（インサイト）やビジネス上の意思決定に役立つ知見を導き出す学際的な分野です。統計学、数学、コンピュータサイエンス、そしてビジネスの専門知識を融合させ、膨大なビッグデータから予測モデルの構築やパターン発見を行い、社会や企業の課題解決に貢献します。
ベイズ推論
ベイズ推論は、新たに観測されたデータに基づいて、ある事象の発生確率（事後確率）を順次更新していく統計的な手法です。不確実性を確率分布として扱えるため、機械学習の予測や意思決定において重要な役割を果たします。
主成分分析
主成分分析とは、多次元データの情報を可能な限り失わずに、より少ない変数へと要約する次元削減の手法です。AIや機械学習の前処理として、データの可視化や過学習の防止に広く活用されています。
説明変数
説明変数とは、統計学や機械学習において、予測や分析の対象となる結果（目的変数）に影響を与える「要因」となる変数のことです。機械学習では「特徴量」とも呼ばれ、予測モデルの入力データとして使用されます。例えば、住宅価格の予測における「築年数」や「広さ」がこれに該当し、モデルの予測精度を大きく左右する重要な要素です。
目的変数
目的変数とは、機械学習や統計学において予測や説明の対象となる変数のことです。データ分析において最も知りたい結果にあたり、AIのモデル構築において正確な学習を行うための正解データとして極めて重要な役割を果たします。
回帰モデル
回帰モデルとは、数値の予測やデータの傾向分析を行うために用いられる、入力変数と連続値の出力変数の関係性を数式で表した機械学習や統計学のモデルです。過去のデータに基づいて、気温から売上を予測したり、広さから住宅価格を予測したりする際に活用され、データ分析や意思決定に深く貢献しています。
ベイズの定理
ベイズの定理とは、ある事実を観測した後に、その前提となる原因の確率（事後確率）を更新するための確率論の基本定理です。不確実な状況下で、新しいデータ（尤度）を取り入れて予測を精度良く更新できる特徴があり、機械学習のスパム判定や医療診断など、現代のデータ分析やAI技術の根幹を支えています。
事前確率
事前確率とは、新しいデータや証拠（観測データ）を得る前に、ある事象が起こる確率や仮説が正しいと信じられる確率のことです。ベイズ統計学における基本概念の一つであり、過去の経験や主観的な知識に基づいて設定されます。機械学習の分類問題や、ベイジアンフィルタによるスパム判定など、様々なAI技術の基礎として活用されています。
事後確率
事後確率とは、新しいデータや証拠が得られた後に、ある仮説や事象が正しいと判断される確率のことです。ベイズの定理に基づいて事前確率と尤度から算出されます。機械学習においては、入力データから特定のクラスやカテゴリに分類する際の判断基準や予測の不確実性を評価するために極めて重要な役割を果たします。
Lasso回帰
Lasso回帰（ラッソ回帰）は、過学習を防ぐためにL1正則化を導入した線形回帰の手法です。不要な特徴量の係数を完全にゼロにする特徴があり、自動的に変数選択を行うことができます。データが多く特徴量が過剰な場合のモデルの簡素化や、予測精度の向上、解釈性の向上に広く用いられています。
分散
分散とは、データの値が平均値からどれくらい散らばっているかを表す統計指標です。機械学習では、データのばらつき度合いやモデルの複雑さを評価するために不可欠な概念です。分散が大きいモデルは訓練データに過剰に適合しやすく過学習を引き起こす原因となるため、モデルの予測精度や汎用性を向上させる設計で非常に重要な指標となります。
確率論
確率論とは、偶然性や不確実性を伴う現象を数学的に扱う理論です。AIや機械学習の基盤となる学問であり、データの不確かさを定量化し、予測や意思決定を行うために欠かせません。ニューラルネットワークの学習や生成AIによるデータの生成プロセスなど、現代の高度な人工知能技術を根底から支えています。
確率分布
確率分布とは、確率変数を取り得る値とその値を取る確率の対応関係を示したものです。AIや機械学習において、データの傾向を数理的にモデル化し、予測や生成を行うための基礎となる極めて重要な概念です。
頻度主義
頻度主義とは、確率を「無限に試行を繰り返したときに、ある事象が発生する相対的な割合（頻度）」として客観的に定義する統計学の立場です。客観的なデータに基づき、パラメータを固定された未知の真値として扱うのが特徴です。機械学習やデータ分析における仮説検定やA/Bテスト、最尤推定などの基礎となっています。
回帰
回帰とは、データ間の関係性を数式でモデル化し、連続的な数値を予測する機械学習や統計学の手法です。例えば過去のデータに基づいて将来の売上高や気温、株価などを連続値として予測する際に用いられます。正解データ（目的変数）が数値であるタスクに適しており、予測モデルの構築や要因分析において基礎的かつ極めて重要な役割を果たします。
正規分布
正規分布とは、平均値の周辺にデータが最も多く集まり、平均から離れるにつれて左右対称に少なくなっていく鐘形の確率分布です。ガウス分布とも呼ばれ、自然現象やAIモデルの誤差分析など統計学の様々な場面で基本となります。
不確実性
不確実性とは、AIや機械学習モデルの予測や判断における「あいまいさ」や「自信のなさ」を示す指標です。ノイズによる「偶然的不確実性」と、知識不足による「認識的不確実性」に分類されます。医療診断や自動運転など、高い安全性が求められる分野で、モデルの判断の信頼性を評価し安全な意思決定を支援するために極めて重要です。
データ分析
データ分析とは、収集した膨大なデータから有用な情報や規則性を発見し、意思決定や課題解決に役立てるプロセスです。ビジネスや機械学習の前段階として、現状の把握や未来予測を行うために欠かせない手法となっています。
線形回帰
線形回帰は、数値データの関係性を直線的な数式でモデル化し、将来の予測や分析を行う統計学および機械学習の代表的な手法です。一方のデータが変化したときにもう一方のデータがどのように変化するかを予測します。売上予測や価格決定など幅広い分野で利用されており、計算負担が小さく解釈性が高いという特徴があります。
線形モデル
線形モデルは、入力（説明変数）と出力（目的変数）の関係を足し算の形式で表す、機械学習や統計学における基本的なモデルです。構造がシンプルなため計算負荷が小さく、予測の根拠となる各特徴量の影響度を数値で把握できる高い解釈性を持っています。回帰分析やロジスティック回帰などで幅広く活用されており、データ分析の基準となる重要なアプローチです。