マウスの体重データを使って、2つのモデルがどう違うかを見てみましょう。
グラフにマウスをホバーすると、新しいデータに対する予測が表示されます。
「回帰」という言葉が共通していますが、この2つの手法は解決しようとする問題が根本的に異なります。
目的: データ全体の傾向を捉え、連続的な数値を予測すること。
例: 「家の広さ」から「価格」を予測する、「勉強時間」から「テストの点数」を予測するなど。
目的: 名前に反して、主な目的は「分類」です。ある事象が発生する「確率」を予測し、その確率に基づいてカテゴリ分けします。
例: 「勉強時間」から「試験に合格するか/不合格か」を予測する、「メールの内容」から「スパムか/スパムでないか」を分類するなど。
項目 | 線形回帰 | ロジスティック回帰 |
---|---|---|
目的 | 数値の予測 | 分類 |
出力 | 連続的な数値 (例: 180.5, 5000) | 確率 (0〜1)、およびそれに基づくカテゴリ |
モデルの形 | 直線 | S字曲線 (シグモイド曲線) |
利用シーン | 売上予測、株価予測、気温予測 | 迷惑メール判定、顧客の離反予測、疾患の陽性/陰性判定 |