線形回帰

目的変数を、説明変数（特徴量）に重みを掛けて足し合わせた1次式（と切片）で予測する回帰のモデル。予測値と実測値の誤差の二乗和を最小にする最小二乗法で重みを求め、説明変数が1つなら単回帰、複数なら重回帰に当たる。重みから各特徴量の影響を解釈しやすい反面、非線形の関係は表せず、過学習を抑えるためにL2正則化（リッジ回帰）やL1正則化（ラッソ回帰）を加えることがある。

目的変数を、説明変数の一次式（重み付きの和と定数）で表して予測する回帰の手法で、予測値と実測値の誤差の二乗和が最小になるように係数を求める（最小二乗法）。説明変数が1つの単回帰と、複数の重回帰がある。単純で解釈しやすいが、非線形の関係は表現できない。

教師あり学習の課題の一つで、入力データがあらかじめ決められたカテゴリ（クラス）のどれに当た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あり、決定木、ロジスティック回帰、サポートベクトルマシンなどの手法が使われる。

1つの説明変数で目的変数を説明・予測する回帰分析。データの関係を y＝ax＋b の直線（回帰直線）で表し、係数は最小二乗法で求める。

過去の販売実績や市場の動向などのデータから、将来の製品やサービスの需要量を予測すること。移動平均法、指数平滑法、回帰分析などの手法を用い、生産計画、在庫管理、設備やサービスの容量の計画に生かす。

教師あり学習の課題の一つで、入力データから売上高や気温のような連続した数値を予測すること。線形回帰などの手法があり、予測値と正解値の誤差が小さくなるようにモデルを学習する。カテゴリを予測する分類と対比される。

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。

画像、音声、テキストなどのデータに、機械学習の正解として使うラベルやタグ、領域の情報を付与する作業。教師あり学習の精度は付与したラベルの品質に左右されるため、作業基準を定め、作業者間のばらつきを確認して品質を管理する。外部に委託したり、作業の一部をAIで支援したりすることも多い。