回帰と分類の違い（評価指標の選び方）は関連概念を切り分けるための考え方です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk metrics

G検定トップ ＞ 回帰と分類の違い（評価指標の選び方）

まず結論

評価指標は「モデルの良し悪し」ではなく、「問題設定」によって決まります。

  • 数値を予測する → 回帰 → RMSE / MAE / R²
  • カテゴリを当てる → 分類 → Accuracy / Precision / Recall / F1

G検定では、 👉 「回帰か？分類か？」を最初に切り分けることが最重要です。

直感的な説明

モデルがやっていることは、大きく2種類だけです。

  • 回帰：

    • 売上はいくら？
    • 気温は何度？
    • 価格はいくら？

  • 分類：

    • 合格 / 不合格
    • 正常 / 異常
    • 犬 / 猫

👉 答えが「数値」か「ラベル」か これで評価指標はほぼ決まります。

定義・仕組み

回帰（Regression）

  • 連続値を予測する問題
  • 予測値と正解値の ズレ（誤差） を評価

代表的な指標：

  • MSE / RMSE
  • MAE
  • R²

分類（Classification）

  • クラス（カテゴリ）を予測する問題
  • 正解・不正解、当たり方のバランスを評価

代表的な指標：

  • Accuracy
  • Precision / Recall
  • F1-score
  • ROC-AUC

いつ使う？（G検定視点）

観点 回帰 分類
出力 数値 クラス
誤差の考え方 予測値と正解の差 正解 / 不正解
主な評価指標 RMSE / MAE / R² Precision / Recall / F1

G検定ひっかけポイント

① 数値なのに Accuracy を選ばせる

❌ 不正解。

  • Accuracy は 分類専用
  • 回帰で使うことはない

👉 「価格」「温度」「売上」が出たら Accuracy は切る

② クラスなのに RMSE / MAE を選ばせる

❌ 不正解。

  • RMSE / MAE は 回帰専用

👉 「Yes / No」「正常 / 異常」が出たら RMSE は切る

③ 不均衡データ問題

  • 正解率（Accuracy）だけだと誤解を招く
  • Precision / Recall / F1 を使う

👉 分類でも指標選択が重要

まとめ（試験直前用）

  • 数値予測 → 回帰 → RMSE / MAE / R²
  • ラベル予測 → 分類 → Precision / Recall / F1
  • 最初に「回帰か分類か」を判断する

👉 評価指標は問題設定で決まる

🔗 関連記事

🏠 G検トップに戻る