回帰

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。

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。

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。

入力データと正解（ラベル）の組を大量に学習させ、未知のデータに対する正解を予測するモデルを作る機械学習の手法。数値を予測する回帰と、所属するクラスを判定する分類があり、売上予測、り患予測、成約予測、離反予測などに使われる。正解付きのデータを用意する費用と、その品質が精度を左右する。

データからパターンや規則を学習し、明示的にプログラムしなくても予測や判断を行えるようにするAIの技術。正解付きのデータで学ぶ教師あり学習、正解なしで構造を見つける教師なし学習、報酬を手がかりに行動を学ぶ強化学習に大別される。学習に使っていない未知のデータに対する性能（汎化性能）が重要で、データの質と量、特徴量の設計、適切な評価が精度を左右する。

教師あり学習の課題のうち、入力がどのカテゴリ（クラス）に属するかを予測するもの。迷惑メールか否かのような2クラス分類と、3つ以上のクラスから選ぶ多クラス分類がある。ロジスティック回帰、決定木、サポートベクトルマシン、ニューラルネットワークなどを使い、正解率、適合率、再現率、F値、AUCで評価する。

分類モデルの評価指標の一つで、全データのうち予測が正解と一致した割合。混同行列では（TP＋TN）÷（TP＋TN＋FP＋FN）で求める。直感的に分かりやすいが、陽性が1%しかないデータでは全件を陰性と予測しても99%になるように、クラスの偏ったデータでは性能を正しく表さないので、適合率や再現率と併せて見る。