G検定 用語解説
線形回帰とは
説明変数から連続値の目的変数を、直線的な関係式で予測する回帰分析の基本となる教師あり学習の手法。
まず押さえる結論
線形回帰は、G検定の「大項目3 機械学習の概要」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）具体例から判断の境界を固める
線形回帰を、役割と隣接概念の境界から捉える
説明変数から連続値の目的変数を、直線的な関係式で予測する回帰分析の基本となる教師あり学習の手法。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- 連続値の目的変数を、説明変数との直線的な関係式で予測しているかを確認します。
- 隣接概念との境界
- 線形回帰は連続値をそのまま予測する回帰、ロジスティック回帰は出力を確率に変換して二値分類を行う手法という点で区別します。
誤答しやすい選択肢
- 線形回帰の出力をそのまま0〜1の確率として二値分類に使う。定義の主語と処理対象を確認します。
- 線形回帰の目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- 線形回帰を使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作が線形回帰に一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: 線形回帰を一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×教師あり・教師なし・強化学習の分類の取り違え（分類/回帰＝教師あり、クラスタリング/次元削減＝教師なし）。
×L1正則化（ラッソ＝係数が0になり変数選択も兼ねる）とL2正則化（リッジ＝係数を小さく抑えるが0にはなりにくい）の混同。
×適合率（精度）と再現率の取り違え、および混同行列の読み方。
関連する確認問題
大項目3 機械学習の概要 / モデルの評価と過学習
線形回帰のモデルに、各係数の絶対値の和に比例した罰則を加えて学習することで、重要でない特徴量の係数をちょうど0に近づけ、実質的に変数の取捨選択も行えるようにする手法はどれか。
正解は「L1正則化（ラッソ回帰）」である。係数の絶対値の和を罰則として加えるため、重要でない特徴量の係数がちょうど0になりやすく、実質的に変数選択も兼ねられる。L2正則化（リッジ回帰）は係数の二乗和を罰則とし、係数を小さく抑えるが完全な0にはなりにくいため、変数選択の効果はL1正則化ほど強くない。線形回帰・ロジスティック回帰は罰則項を持たない素のモデルであり、過剰適合を抑える罰則や係数を0に近づける仕組み自体を持たない。罰則の形が「絶対値の和」か「二乗和」か、係数がちょうど0になるかどうかの2点が判断材料になる。
大項目3 機械学習の概要 / 代表的な手法
線形回帰の考え方を分類に応用し、出力を0〜1の値（確率）に変換することで、主に二値分類に用いられる手法はどれか。
正解は「ロジスティック回帰」である。線形回帰の考え方を分類に応用し、出力をシグモイド関数で0〜1の値（確率）に変換することで、主に二値分類に用いられる教師あり学習の手法である。主成分分析は特徴量を分散の大きい軸へ変換する次元削減の手法であり分類器ではない。k-means法と階層的クラスタリングはいずれもラベルのないデータをグループ分けする教師なし学習であり、確率を出力して二値分類を行う手法ではない。「出力を確率に変換」「主に二値分類」という条件がロジスティック回帰の目印になる。
大項目3 機械学習の概要 / 代表的な手法
多数の決定木を作り、それぞれの予測の多数決や平均によって最終的な予測を行うアンサンブル学習の手法はどれか。
正解は「ランダムフォレスト」である。データや特徴量をランダムに選んで多数の決定木を作り、それぞれの予測を多数決（分類）や平均（回帰）で統合するアンサンブル学習（バギングの代表例）の手法である。サポートベクターマシンはクラス間のマージンを最大化する境界を1つ学習する手法であり、複数の決定木を組み合わせるものではない。線形回帰は説明変数から連続値を予測する単一のモデル、主成分分析は次元削減の手法であり、いずれも決定木を多数作って統合する仕組みを持たない。「多数の決定木」「多数決や平均で統合」という条件がランダムフォレストの目印になる。
同じ章で確認したい用語
到達チェック
- 線形回帰を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、線形回帰に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）