最終更新日：2026年9月23日
gk machine_learning supervised_learning
G検定トップ
＞ ロジスティック回帰とは？分類・シグモイド・logitを整理【G検定】
まず結論
ロジスティック回帰（Logistic Regression）は、名前に「回帰」とありますが、代表的には分類に使う教師あり学習です。
G検定では、
- 二値分類
- クラス確率
- sigmoid
- logit
- 線形な決定境界
を押さえます。
直感的な説明
線形回帰のように入力を重み付きで足したあと、その値を0〜1の確率へ変換します。
たとえば、
不良品である確率 = 0.82
のように出し、設定したしきい値を使ってクラスを決めます。
定義・仕組み
説明変数の線形結合を z とすると、sigmoid関数を使って、
p = 1 / (1 + exp(-z))
のように0〜1へ変換します。
logit
確率 p を対数オッズへ変換したものがlogitです。
logit(p) = log(p / (1-p))
ロジスティック回帰では、logit(p)を説明変数の線形結合としてモデル化します。
決定境界
基本形では線形な決定境界になります。
ただし、多項式特徴量などを作れば、元の入力空間でより複雑な境界を表現できる場合があります。
いつ使う？（得意・不得意）
代表例：
- 正常 / 異常
- 合格 / 不合格
- 購入 / 非購入
などの分類です。
確率を出せるため、しきい値を用途に応じて変更できます。
0.5は代表例であり、必ず0.5で分類するわけではありません。
G検定ひっかけポイント
名前に「回帰」
❌ 連続値予測の代表モデル
⭕ 代表的には分類
sigmoidとlogit
- sigmoid → 線形予測値を0〜1の確率へ
- logit → 確率を対数オッズへ
しきい値
❌ 必ず0.5
⭕ 用途・誤りコストに応じて変更できる
二項分布との関係
詳しくは二項分布とロジスティック回帰で整理しています。
まとめ（試験直前用）
- ロジスティック回帰＝分類
- クラス確率をモデル化
- sigmoid → 0〜1
- logit → 対数オッズ
- 基本形の決定境界は線形
- しきい値0.5は固定ルールではない