分類

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。

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。

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。

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、売上高や価格のような連続した数値を予測するもの。線形回帰、決定木、ニューラルネットワークなどのモデルを使い、予測の誤差をRMSEやMAE、当てはまりのよさを決定係数で評価する。カテゴリを予測する分類と並ぶ、教師あり学習の基本的な課題の種類である。

回帰モデルが目的変数のばらつきをどれだけ説明できているかを表す指標で、R²と書く。1から（残差の二乗和÷目的変数の平均からの偏差の二乗和）を引いて求め、1に近いほど当てはまりがよく、平均値で予測するのと同等なら0になる。説明変数を増やすと見かけ上大きくなるので、変数の数を考慮した自由度調整済み決定係数で比べることがある。