ロジスティック回帰

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。

説明変数の一次式をシグモイド関数で0から1の値に変換し、ある事象が起きる確率を予測する手法。名前に回帰とあるが、主に購入するか否か、合格か不合格かといった2値の分類に使われ、確率がしきい値を超えるかでクラスを判定する。係数から各変数の影響の大きさを解釈しやすい。

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。

特定の限られたタスクに特化して設計された人工知能。画像認識、音声認識、チェスなど特定分野で高い性能を発揮するが、異なる分野への汎用的な適用はできない。汎用AIと対比される。

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。

目的変数を説明変数の一次式（直線や平面）で表して予測する回帰の手法。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つのものを単回帰、複数のものを重回帰という。

2クラス分類のモデルで、正例と判定するしきい値を変化させたときの、偽陽性率を横軸、真陽性率（再現率）を縦軸にとって描いた曲線。曲線が左上に寄るほど性能が高く、曲線の下の面積（AUC）でモデルを比較する。

要求事項の優先順位をMust（必須）、Should（重要）、Could（あれば良い）、Won't（今回は対象外）の4段階で分類する手法。限られたリソースで最も重要な要求を確実に実現するための優先順位付けに使用される。