Skip to the content.

最終更新日:2026年9月23日

まず結論

教師あり学習の代表手法は、何を予測し、どんな境界・規則を学ぶかで切り分けます。

手法 主な用途 判断キーワード
線形回帰 回帰 連続値・線形結合・最小二乗
ロジスティック回帰 分類 確率・sigmoid・logit
SVM 分類・回帰 最大マージン・サポートベクトル
決定木 分類・回帰 条件分岐・Gini・剪定

G検定では、名前だけでなく出力と学習の仕組みを確認します。

直感的な説明

製造データで考えると、

  • 寸法を数値で予測 → 線形回帰
  • 不良になる確率を求める → ロジスティック回帰
  • 良品と不良品を余白を大きく分ける → SVM
  • 「温度が○以上なら…」と条件分岐 → 決定木

というイメージです。

定義・仕組み

線形回帰

説明変数の線形結合で連続値を予測します。

代表的なOLSでは残差二乗和を小さくするよう係数を求めます。

ロジスティック回帰

説明変数の線形結合をsigmoidで0〜1へ変換し、クラス確率として扱います。

名前は「回帰」ですが代表用途は分類です。

SVM

クラス間のマージンを大きくする境界を求めます。

境界付近のサポートベクトルが重要で、カーネル法によって非線形へ対応できます。

決定木

特徴量のしきい値で条件分岐を繰り返します。

分類・回帰の両方に利用でき、深くしすぎると過学習しやすくなります。

いつ使う?(得意・不得意)

観点 線形回帰 ロジスティック回帰 SVM 決定木
連続値予測 ◎ ― SVRで可 回帰木で可
分類 ― ◎ ◎ ◎
非線形対応 特徴量設計 特徴量設計 カーネル 分岐で対応
標準化 状況により 正則化時など有効 重要になりやすい 通常必須ではない
解釈 係数 係数・オッズ 境界 分岐規則

「どれが常に最高精度か」ではなく、問題の構造と目的で選びます。

G検定ひっかけポイント

ロジスティック回帰

❌ 連続値を予測する代表的回帰
⭕ 代表的には分類

SVM

❌ 分類だけ
⭕ SVRとして回帰も可能

カーネル法

❌ 高次元を低次元へ圧縮する次元削減
⭕ 高次元特徴空間での内積に相当する計算

決定木

❌ 標準化が必須
⭕ 通常はしきい値分割なので必須ではない

重回帰

❌ 目的変数が複数
⭕ 説明変数が複数

まとめ(試験直前用)

  • 線形回帰=連続値
  • ロジスティック回帰=確率・分類
  • SVM=最大マージン
  • 決定木=条件分岐
  • カーネル=次元削減ではない
  • 決定木は分類・回帰の両方
  • 予測対象→学習する境界・規則の順で切る

© 2024-2026 stemtazoo. All rights reserved.