線形回帰モデルとは、入力データと出力データの間にある直線的な関係性を数式化して数値を予測する、教師あり学習の代表的な機械学習手法です。統計学を起源とし、説明変数が目的変数に与える影響の大きさや傾向を直感的に把握できる高い解釈性を持つため、売上予測や価格推定などで広く活用されています。
線形回帰モデルとは
線形回帰モデルは、原因となるデータである説明変数と結果となる目的変数の間に直線的な関係を仮定し、連続した数値を予測する基本的な教師あり学習モデルです。
詳しく解説
線形回帰モデルは、入力データに重み（係数）を掛け合わせて足し合わせることで直線の関係式を構築します。パラメータの推定には主に最小二乗法が用いられ、実際のデータ点と予測直線との誤差の二乗和が最小になるように係数を決定します。説明変数が1つの場合を単回帰、2つ以上の場合を重回帰と呼びます。計算負荷が低く、各変数が予測に及ぼす影響度を係数の大きさから直感的に把握できる解釈性の高さが大きな特徴です。
具体例・使われ方
住宅の価格査定において、部屋の広さや駅からの距離といった説明変数から物件価格という目的変数を予測するケースや、広告費の投入額から将来の売上高を推計するビジネス分析などに利用されます。
似た用語との違い
混同されやすい手法にロジスティック回帰があります。線形回帰モデルが連続する数値を予測する回帰タスクを担うのに対し、ロジスティック回帰はデータが特定のカテゴリに属する確率を求めて分類を行う手法です。
注意点
データ間に直線的な関係が成り立たない非線形な現象に対しては予測精度が低下します。また、極端な外れ値の影響を受けやすい点や、説明変数同士に強い相関がある多重共線性が発生するとモデルの解釈が不安定になる点に注意が必要です。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月5日 19:31