AIの基礎
分類と回帰とは（二値分類・多値分類・正解率の違い）
分類、回帰、二値分類、多値分類、正解率は、2027年2月試験から適用される生成AIパスポートの公式シラバスで、第1章の機械学習の詳細キーワードに並ぶ用語です。答えが「クラス」なら分類、「数値」なら回帰、と答えの種類で切り分けます。
このページは、公式シラバスとGoogleの機械学習教材の範囲で、分類と回帰の違い、二値分類と多値分類、正解率の式と使い方の注意、出る章を整理しています。
公式情報の確認
試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-08-31。
試験の出題範囲・実施要項は変動するため、受験前に公式情報を確認してください。
結論
- 分類は、ラベルが属するクラスを予測する。回帰は、クラスではなく数を予測する
- 二値分類は、互いに排他的な2つのクラスのどちらか。3つ以上から選ぶのが多値分類
- 正解率は、正しく分類できた数を全体の数で割った割合
- 陽性と陰性の数が大きく偏るデータでは、正解率が高くても役に立たないモデルがありうる
教師あり学習と教師データ
Googleの機械学習教材は、教師あり学習のデータを、特徴量とラベルを含む例の集まりと説明します。特徴量はモデルがラベルの予測に使う値で、ラベルは「解答」、つまりモデルに予測させる値です。 シラバスが挙げる教師データは、このラベルが付いた学習用のデータと考えると整理しやすくなります。分類と回帰は、この教師あり学習で予測するラベルの種類による分け方です。
教師あり学習・教師なし学習・強化学習の分類は学習方法の違いにまとめています。
一次資料: Google「Machine Learning 基礎コース 教師あり学習」
分類（二値分類と多値分類）
Googleの機械学習用語集は、クラスを、ラベルが属しうるカテゴリと定義し、分類モデルはクラスを予測すると説明します。「どのカテゴリか」を答える問題が分類です。
二値分類は、互いに排他的な2つのクラスのうち1つを予測する分類タスクです。用語集の例は、メールがスパム（陽性クラス）かスパムでない（陰性クラス）かを判定するモデルと、症状から特定の病気かどうかを判定するモデルです。 クラスが3つ以上になると多クラス（多値）の分類で、犬種を判別するモデルの例では、クラスはプードル、ビーグル、パグなどになります。
一次資料: Google「Machine Learning Glossary」（class・binary classification）
回帰
同じ用語集は、分類モデルがクラスを予測するのに対し、回帰モデルは、クラスではなく数を予測すると説明します。住宅価格や降水量の予測のように、答えが数値になる問題が回帰の典型です。「いくつか」「いくらか」を答えるなら回帰、「どれか」を答えるなら分類、と問いの形で見分けます。
名前に「回帰」が付く手法でも、答えがクラスなら分類のタスクです。Googleの機械学習集中講座では、ロジスティック回帰の出力をシグモイド関数で0から1の確率にする仕組みを説明し、確率は分類しきい値で2つのカテゴリに変換されます。用語の名前ではなく、予測する答えの種類で判断します。
一次資料: Google「Machine Learning Glossary」（class）、Google「Machine Learning Crash Course ロジスティック回帰: シグモイド関数」「分類: しきい値」
正解率と不均衡データ
Googleの集中講座は、正解率（教材の訳語では精度、英語ではaccuracy）を、陽性か陰性かを問わず、正しかった分類の割合と定義します。 式は、正しく分類した数を分類の総数で割ったもので、二値分類では（真陽性＋真陰性）÷（真陽性＋真陰性＋偽陽性＋偽陰性）です。完全なモデルは偽陽性と偽陰性がゼロになるため、正解率は1.0（100%）になります。
落とし穴は、データの偏りです。同じ教材は、両方のクラスに同数のサンプルがあるバランスの取れたデータなら、正解率はモデルの品質の粗い指標として使えるとします。 一方で、1つのクラスが1%のように非常に低い頻度で出るデータでは、常に負の値を予測するモデルは、役に立たないにもかかわらず正解率が99%になります。 用語集も、降雪が100年で25日だけの都市の例で、毎日「雪なし」と予測するモデルは正解率が高くても予測力がないと説明しています。「正解率が高い」だけで良いモデルとは判断しない、が不均衡データの結論です。
その場合に使う指標の一つが再現率です。実際に陽性であるものの中で、陽性と正しく分類できた割合を表します。
一次資料: Google「Machine Learning Crash Course 分類: 精度、再現率、適合率、関連指標」、Google「Machine Learning Glossary」（accuracy）
手掛かり語で見分ける
説明文のどの語に反応するかで、5つの用語を切り分けます。
| 用語 | 手掛かり語 | 役割の要点 |
|---|---|---|
| 分類 | クラスを答える、カテゴリ、スパムか否か | ラベルが属するクラス（カテゴリ）を予測する |
| 二値分類 | 2つのクラス、互いに排他、陽性と陰性 | 2つの互いに排他的なクラスのどちらかを予測する |
| 多値分類 | 3つ以上のクラス、犬種の判別 | 3つ以上のクラスのどれかを予測する |
| 回帰 | 数を予測する、クラスではない、住宅価格 | クラスではなく数値を予測する |
| 正解率 | 正しかった分類の割合、陽性か陰性かを問わない | 分類の評価指標。陽性・陰性を問わず正しく分類できた割合 |
訓練データに合わせすぎて新しいデータで外れる問題は過学習とはに、重みを調整して学習する仕組みはニューラルネットワークの学習の仕組みにまとめています。
シラバスのどこに出るか
2027年2月試験から適用される公式シラバスでは、第1章の機械学習に関する詳細キーワードに、次の語が並んでいます。
| 場所 | 内容 |
|---|---|
| 第1章 機械学習に関する詳細キーワード | 学習済みモデル、教師あり学習、教師データ、分類、回帰、二値分類、多値分類、正解率が並ぶ |
答えの種類（クラスか数値か）と、評価の指標（正解率）を結びつけて読みます。章立ての変更は2027年2月試験の新シラバスに整理しています。試験での出題を予想するものではありません。
よくある質問
分類と回帰は、一言でいうと何が違いますか？
答えの種類です。Googleの機械学習用語集は、分類モデルはクラスを予測し、回帰モデルはクラスではなく数を予測すると説明しています。スパムかどうかは分類、住宅価格は回帰の例です。
二値分類と多値分類は、どう違いますか？
選ぶクラスの数です。Googleの用語集は、二値分類を、互いに排他的な2つのクラスのうち1つを予測する分類タスクとしています。多クラス（多値）の例には、犬種を判別するモデルが挙げられています。
正解率はどう計算しますか？
正しく分類できた数を、分類した総数で割ります。二値分類では、真陽性と真陰性の合計を、真陽性・真陰性・偽陽性・偽陰性の合計で割ります。完全なモデルは偽陽性と偽陰性がゼロなので、1.0（100%）になります。
正解率が高ければ、良いモデルといえますか？
いえません。Googleの教材は、1つのクラスが1%のように非常に低い頻度で出るデータでは、常に負の値を予測する役に立たないモデルでも、正解率が99%になると説明しています。不均衡なデータでは、再現率などほかの指標を見ることが勧められています。
教師データとは何ですか？
正解（ラベル）が付いた学習用のデータです。教師あり学習では、入力と正解の組を使って学習済みモデルを作ります。教師あり・教師なし・強化学習の分け方は、学習方法の違いのページで整理しています。
生成AIパスポートの学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
