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。
回帰とは
回帰とは、一言でいうと「過去のデータに基づいて将来や未知の連続的な数値を予測する手法」です。
詳しく解説
回帰の仕組みは、入力データ（説明変数）と出力データ（目的変数）の間にある規則性やパターンを数学的な関係式として学習することです。最も基本的な手法として線形回帰があり、直線をあてはめることで変数間の関係を捉えます。近年では複雑な非線形関係を扱える機械学習アルゴリズムやディープラーニングも活用されています。ビジネスや研究において、現象の背景にある要因の影響度を分析したり、精度の高い予測モデルを構築したりする際に欠かせない概念です。
具体例・使われ方
具体的な利用例としては、立地や部屋の広さから不動産の価格を予測するシステムが挙げられます。また、過去の販売実績と天気予報データを組み合わせて明日の店舗売上を予測することや、エンジンの走行距離と年式から中古車の販売価格を算出するケースでも活用されます。このように、出力が具体的に連続した数値になる場合に回帰が用いられます。
似た用語との違い
回帰とよく混同される概念に「分類」があります。どちらも教示データをもとに予測を行う教師あり学習ですが、出力するデータの種類が異なります。分類は「スパムメールか否か」「犬か猫か」といった離散的なカテゴリ（ラベル）を予測するのに対し、回帰は「売上金額」や「気温」のような連続した数値を予測します。目的とするアウトプットの形式によって使い分けられます。
注意点
回帰を用いる際の注意点として、モデルが捉えた関係性は必ずしも「因果関係」を意味するわけではなく、単なる相関関係である可能性がある点があります。また、学習データに過剰に適合してしまう過学習が発生すると、未知のデータに対する予測性能が著しく低下します。データ内に外れ値が含まれていると予測精度が大きく乱れるため、事前のデータ前処理も重要です。