• 作成日 : 2025年11月13日

機械学習の「回帰」とは？分類との違い、代表的な種類・手法まで分かりやすく解説

機械学習における「回帰」とは、過去のデータをもとに、将来の売上や株価といった連続的な数値を予測する手法です。ビジネスにおける需要予測や価格設定など、様々な場面で活用されています。

この記事では、機械学習の回帰の基本的な考え方から、もう一つの主要な手法である「分類」との違い、そしてビジネスで使われる代表的な回帰モデルの種類まで、初心者の方にも分かりやすく解説します。

そもそも機械学習における「回帰」とは何か？

「回帰」とは、過去のデータから規則性やパターンを見つけ出し、株価や気温、売上高といった「連続する数値」を予測するための機械学習の手法です。「回帰問題」とは、この回帰を用いて解決すべき課題のことを指します。

例えば、過去の広告費と売上の関係をAIに学習させ、「来月、広告費を100万円に設定した場合、売上はいくらになるか？」といった未来の数値を予測するのが、典型的な回帰の活用例です。

具体的な「回帰」の例

回帰は、私たちの身の回りの様々な予測に利用されています。

「分類」との決定的な違いは？

回帰が「数値を予測する」のに対し、分類は「カテゴリを予測する」という点に決定的な違いがあります。どちらも機械学習の「教師あり学習」というカテゴリに含まれる主要な手法ですが、何を予測したいかによって使い分けられます。

統計学の「回帰分析」との違いは？

統計学の回帰分析が「原因と結果の関係性を説明すること」を主な目的とするのに対し、機械学習の回帰は「未知のデータに対する予測精度を高めること」を最優先します。

両者は使う手法に共通点も多いですが、その目的が異なると理解しておきましょう。

機械学習の回帰にはどのような種類・手法があるか？

単純な線形回帰から、より複雑な関係を捉えるランダムフォレストや勾配ブースティングまで、データの特性や求める精度に応じて様々な手法が使い分けられます。

① 線形回帰（単回帰・重回帰）

最も基本的で、古くから使われている回帰手法です。データが直線的な関係にあると仮定して予測モデルを作成します。説明変数が一つの場合を「単回帰」、複数の場合を「重回帰」と呼びます。

② 多項式回帰

データが曲線的な関係を持つ場合に利用される手法です。直線では表現しきれない、より複雑なデータの傾向を捉えることができます。

③ 決定木・ランダムフォレスト

「もしAが〇〇以上ならB、そうでなければC」というような、木の枝分かれのようなルールでデータを分割していくのが「決定木」です。そして、その決定木を多数組み合わせることで、より高い予測精度を実現するのが「ランダムフォレスト」です。

④ サポートベクター回帰（SVR）

分類問題で高い性能を発揮する「サポートベクターマシン」を、回帰問題に応用した手法です。複雑なデータに対しても、高い汎化性能（未知のデータへの適応力）を持つことが知られています。

⑤ 勾配ブースティング

決定木をベースに、予測の誤りを段階的に修正していくことで、非常に高い予測精度を実現するアンサンブル学習の手法です。Kaggleなどのデータ分析コンペティションで頻繁に用いられる「XGBoost」や「LightGBM」といったライブラリが有名です。

Pythonを使った回帰モデル構築の流れは？

Pythonのライブラリ「scikit-learn （サイキット・ラーン）」などを使うことで、データの準備からモデルの学習、評価、予測までを効率的に行うことができます。

専門家でなくても、大まかな流れを理解しておくことは重要です。

ビジネスの未来を「回帰」で予測する

本記事では、機械学習の「回帰」について、その基本から分類との違い、代表的なモデルの種類までを解説しました。

回帰は、売上予測や需要予測、価格査定といった、あらゆるビジネスシーンで未来の数値を予測するための強力なツールです。どのようなデータを基に、自社のどのような数値を予測したいかを考えることが、データ活用の第一歩といえるでしょう。

まずは「回帰」というアプローチがあることを知り、AIによるデータドリブンな意思決定の可能性を探ってみてはいかがでしょうか。

• 監修：マネーフォワード クラウド

  マネーフォワード クラウドが監修する「AIの基礎知識」です。ビジネスや生活に役立つAIの基本と最新情報を分かりやすく解説。AIを身につけ、新しい一歩を踏み出すのを応援します。