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。
線形モデルとは
線形モデルとは、入力（説明変数）と出力（目的変数）の関係を直線のグラフのように足し算の形式で表す、機械学習や統計学における最も基本的かつ強力なモデルのことです。
詳しく解説
線形モデルは、各入力特徴量に重み（パラメータ）を掛け合わせ、それらを足し合わせることで予測値を算出します。このシンプルな構造により、モデルの数式や判断の根拠が極めて透明であり、人間にとって解釈性が高いという強力なメリットがあります。主に数値を予測する回帰分析や、確率を予測して分類を行うロジスティック回帰などで中心的な役割を果たしています。データ分析の基準（ベースライン）として、複雑なディープラーニングなどの手法を導入する前にまず試される重要な存在です。
具体例・使われ方
具体的な利用例として、住宅の広さや築年数から価格を予測する回帰分析や、顧客の過去の購買履歴からキャンペーンに反応するかどうかを2択で予測するロジスティック回帰があります。これらのタスクでは、どの説明変数（要因）が予測結果（目的変数）にどれだけ影響を与えているかが、重みの数値によって直感的に理解できます。
似た用語との違い
線形モデルと非線形モデルの違いは、データの関係性を表現する柔軟性にあります。線形モデルはデータの変化が比例関係（直線的）であることを前提としますが、現実世界の複雑なパターンは非線形モデル（ニューラルネットワークや決定木など）のほうが得意です。ただし、非線形モデルは表現力が高い一方で、過学習を起こしやすく、判断プロセスの解釈も難しくなる傾向があります。
注意点
線形モデルの注意点は、入力と出力の間に直線的な関係がない場合、予測精度が著しく低下することです。また、多くの特徴量をそのまま学習させると、訓練データに適合しすぎる過学習を引き起こす恐れがあります。これを防ぐためには、不要な特徴量を削るなどの適切な前処理や、正則化と呼ばれるペナルティを課す仕組みの導入が必要です。