---
title: "二項分布とロジスティック回帰の関係とは？G検定対策"
description: "二項分布とロジスティック回帰の関係について、G検定で問われるAI・機械学習分野の観点から、目的、前提、モデル構造、入力と出力、評価観点のどこが異なるかを比較します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/binomial-vs-logistic/"
section: "gk"
---

## まず結論

* **二項分布**は「成功／失敗が何回起こるか」を表す**確率分布**で、**ロジスティック回帰**はその成功確率を説明変数から予測する**モデル**です。
* G検定では「**分布と回帰モデルを混同していないか**」がよく問われます。

## 直感的な説明

* 二項分布は「**コインを10回投げたら表が何回出るか**」という**結果のばらつき**を表します。
* ロジスティック回帰は「**そのコインが表になりやすい条件は何か**」を説明する**予測モデル**です。
* つまり、

  * 二項分布：結果そのものを説明
  * ロジスティック回帰：確率を予測
    という役割の違いがあります。

## 定義・仕組み

* **二項分布（Binomial Distribution）**

  * 試行回数が固定（n回）
  * 各試行は成功／失敗の2値
  * 成功確率 p によって分布が決まる

* **ロジスティック回帰（Logistic Regression）**

  * 目的変数：0/1（成功・失敗）
  * 出力：成功確率（0〜1）
  * ロジット関数を用いて確率をモデル化

## いつ使う？（得意・不得意）

### 二項分布

* 得意：

  * 回数や割合の確率計算
* 不得意：

  * なぜ成功したかを説明する

### ロジスティック回帰

* 得意：

  * 成功確率を特徴量から予測
  * 分類問題（2値）
* 不得意：

  * 発生回数そのものの予測

## G検定ひっかけポイント

* **最大のひっかけ**

  * 「ロジスティック回帰は二項分布そのものである」→ ❌
* 正しい理解

  * ロジスティック回帰は**二項分布を仮定したモデル**
* よくある混同

  * 分布（確率の形）とモデル（予測手法）
* 選択肢で

  * 「確率分布」→ 二項分布
  * 「確率を予測する回帰モデル」→ ロジスティック回帰

## まとめ（試験直前用）

* 二項分布：確率の分布
* ロジスティック回帰：確率を予測するモデル
* 分布とモデルは役割が違う
* 0/1の確率予測ならロジスティック回帰