ロジスティック回帰とは

まず押さえる結論

ロジスティック回帰は、G検定の「大項目3 機械学習の概要」に出てくる用語です。見分けの要点は、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。また、決定木は条件分岐を繰り返して予測し、k-means法や主成分分析（PCA）は正解ラベルを使わない教師なし学習という点で、ロジスティック回帰とは仕組みが異なります。

比較記事でさらに確認する

ロジスティック回帰の具体例と、問題文で見る箇所・隣接概念との境界

線形回帰を分類に応用し、出力をシグモイド関数で0〜1の確率へ変換する手法として捉える

顧客が商品を購入するかどうかを予測するような場面で、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す。線形回帰が連続値をそのまま予測するのに対し、ロジスティック回帰は出力を確率として解釈し、クラスを判定する点が異なります。

問題文で見る箇所

「出力を確率に変換」「主に二値分類」「シグモイド関数」という語があるかを確認します。ラベルのないデータをグループ分けする、または特徴量を圧縮するという記述があれば、ロジスティック回帰ではなくk-means法や主成分分析（PCA）を候補にします。

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。また、決定木は条件分岐を繰り返して予測し、k-means法や主成分分析（PCA）は正解ラベルを使わない教師なし学習という点で、ロジスティック回帰とは仕組みが異なります。

誤答しやすい選択肢

• 出力をそのまま連続値として予測する説明をロジスティック回帰とする。これは線形回帰の説明であり、ロジスティック回帰はシグモイド関数で0〜1の確率に変換する点で異なります。
• ラベルのないデータの重心を更新してグループ分けする説明をロジスティック回帰とする。これはk-means法の説明であり、ロジスティック回帰はラベル付きデータから分類確率を学ぶ教師あり手法です。
• 係数の絶対値や二乗の和を罰則として加え、変数選択や係数の縮小を行う説明をロジスティック回帰とする。ロジスティック回帰自体は罰則項を持たない素のモデルであり、これはL1正則化・L2正則化の説明です。

4段階の判断手順

1. 01設問が連続値の予測か、確率への変換を伴う分類かを先に分ける。
2. 02シグモイド関数による0〜1への変換、二値分類という語があるかを確認する。
3. 03ラベルなしデータのグループ分け（k-means法）や次元削減（主成分分析）の説明が混ざっていないか見直す。
4. 04罰則項を加える正則化の説明と、罰則を持たない素のロジスティック回帰の説明を区別する。

到達条件: ロジスティック回帰を線形回帰の分類への応用として説明し、k-means法・主成分分析・正則化との違いを言える。

試験での問われ方

誤答しやすいポイント

「大項目3 機械学習の概要」の問題で、取り違えやすい組み合わせです。

• 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と、混同行列の読み違い。

関連する確認問題

同じ章で確認したい用語