最終更新日：2026年8月21日
gk metrics
G検定トップ
＞ 回帰と分類の違い｜出力と評価指標で切り分け【G検定】
まず結論
回帰と分類は、予測したいものの種類で切り分けます。
- 回帰：連続的な数値を予測する
- 分類：クラス・カテゴリを予測する
G検定では、問題文を見たら最初に
数値の大きさを予測する？ → 回帰
どのクラスかを当てる？ → 分類
と判断します。
直感的な説明
たとえば、住宅について予測するとします。
- 「価格はいくら？」 → 回帰
- 「高価格帯か低価格帯か？」 → 分類
同じデータを使っていても、何を答えとして求めるかで問題設定が変わります。
重要なのは、答えが数字で書かれていても、それだけで回帰とは限らないことです。たとえば 0=正常、1=異常 のような数値はクラスラベルなので分類です。
定義・仕組み
回帰（Regression）
連続的な値を予測します。
例：
- 売上
- 気温
- 価格
- 需要量
代表的な評価指標：
- MSE / RMSE
- MAE
- R²
分類（Classification）
決められたクラスのどれに属するかを予測します。
例：
- 正常 / 異常
- 犬 / 猫
- 合格 / 不合格
代表的な評価指標：
- Accuracy
- Precision / Recall
- F1-score
- ROC-AUC
いつ使う？（得意・不得意）
| 観点 | 回帰 | 分類 |
|---|---|---|
| 予測対象 | 連続値 | クラス・カテゴリ |
| 代表例 | 価格、温度、売上 | 正常/異常、犬/猫 |
| 主な評価 | 誤差の大きさ | 当たり方・見逃し・誤検知 |
| 指標例 | RMSE、MAE、R² | Accuracy、Precision、Recall、F1 |
分類では、単に正解率を見るだけでなく、FPとFNのどちらが困るかで指標を選ぶことがあります。
G検定ひっかけポイント
よくあるひっかけは次の通りです。
- ❌「出力が数字なら必ず回帰」 → 数値で符号化したクラスなら分類
- ❌「Accuracyは回帰の評価指標」 → 基本は分類
- ❌「RMSEは分類の代表指標」 → 基本は回帰
- ❌「分類ならAccuracyだけ見ればよい」 → 不均衡データではPrecision・Recallなども重要
正誤を切る判断基準
- 連続的な値の予測 → 回帰
- クラスを当てる → 分類
- 誤差の大きさ → RMSE / MAE
- 誤検知・見逃し → Precision / Recall
まとめ（試験直前用）
- 回帰＝連続値を予測
- 分類＝クラスを予測
- 数字で表されたラベルでも分類になり得る
- RMSE / MAE / R² → 回帰
- Accuracy / Precision / Recall / F1 → 分類
関連： 評価指標まとめ（チートシート） / 回帰評価指標まとめ