ロジスティック回帰

説明変数の一次式をシグモイド関数で0〜1の値に変換し、ある事象が起こる確率を推定する手法。名前に回帰とあるが、確率がしきい値を超えるかどうかで2つのクラスに分ける分類に使われ、購買の有無や病気の発症の予測などに用いられる。

目的変数が2値（有/無、成功/失敗など）の場合に、説明変数から目的変数の発生確率を推定する統計的分析手法。マーケティングにおける購買予測やリスク分析に活用される。

目的変数が「購入する／しない」のような2値のときに、説明変数から事象の起こる確率を推定する回帰分析。説明変数の線形結合をロジスティック関数（シグモイド関数）で0〜1の値に変換し、回帰係数はオッズ比として解釈できる。機械学習では、分類の基本的なモデルとして使われる。

教師あり学習で扱う問題の一つで、入力データから売上高や気温などの連続的な数値を予測すること。線形回帰、決定木、ニューラルネットワークなどの手法が使われ、予測値と正解値の誤差（平均二乗誤差など）でモデルを評価する。カテゴリを予測する分類と対比される。

教師あり学習で扱う問題の一つで、入力データがあらかじめ決められたどのカテゴリ（クラス）に属するかを予測すること。迷惑メールの判定や画像に写った物体の識別などが例で、ロジスティック回帰、決定木、サポートベクトルマシンなどの手法が使われ、正解率、適合率、再現率などで評価する。

2値分類のモデルで、陽性と判定するしきい値を変えたときの、偽陽性率（横軸）と真陽性率（縦軸）の組を結んだ曲線。曲線が左上に寄るほど性能が高く、曲線の下側の面積であるAUCでモデルを比較する。ROCはReceiver Operating Characteristicの略。

入力データと、それに対応する正解（ラベル）の組を大量に与えて、入力から正解を予測する規則をモデルに学習させる機械学習の手法。数値を予測する回帰と、カテゴリを予測する分類が代表的で、正解ラベルを付けたデータの準備に手間がかかる。

データを特徴量の条件で繰り返し分岐させた木構造のモデルで、分類や回帰を行う機械学習の手法。分岐の基準にはジニ不純度や情報利得（エントロピーの減少）を使う。判断の過程が分かりやすく説明性が高いが、過学習しやすいため、ランダムフォレストなどのアンサンブル学習の基礎として使われる。

分類の境界線（超平面）と、それに最も近いデータ点（サポートベクトル）との距離（マージン）が最大になるように境界を決める教師あり学習の手法。カーネル法を使うと、データを高次元の空間に写して非線形の分類にも対応できる。少ないデータでも汎化性能が高い。