順序回帰とは、アンケートの満足度評価（高・中・低）や映画の星評価のように、順序関係はあるが間隔が一定ではない離散的なデータを予測するための統計学および機械学習の手法です。分類と回帰の中間に位置し、順序情報を損なわずに学習できます。
順序回帰とは
詳しく解説
一般的な機械学習では、連続値を予測する回帰分析や、順序関係のないカテゴリを予測する多クラス分類が使われます。しかし、「不満・普通・満足」や「軽症・中等症・重症」のように、大小関係は存在するものの数値間の距離が等しいとは限らない順序尺度データを扱う場合、既存の手法では問題が生じます。通常の回帰を適用すると間隔が等しいと仮定してしまい、多クラス分類を適用すると順序情報が無視されてしまいます。順序回帰は、潜在的な連続空間に閾値を設けることで順序性を保ったまま確率的に予測を行い、より自然で高精度なモデル構築を可能にします。
具体例・使われ方
顧客アンケートにおける「大変不満・不満・普通・満足・大変満足」の5段階評価予測、映画レビューの1〜5つ星レーティングの自動判定、医療分野における病気の重症度ステージ予測などで活用されます。
似た用語との違い
多クラス分類との違いは、カテゴリ間に「A < B < C」という順位関係を考慮する点です。また、回帰分析との違いは、出力が連続値ではなく離散的な順序ラベルであり、ラベル間の間隔が均等である前提を置かない点にあります。
注意点
順序回帰はクラス間の順序関係が明確なデータにのみ有効です。名義尺度のような順序性のない目的変数に適用すると不適切な予測結果になります。また、隣り合うカテゴリ間の境界設定やデータの偏りによってモデルの学習が不安定になる場合があるため、評価指標の選定に注意が必要です。
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6日 12:01