Logistic regression（ロジスティック回帰）

統計モデルは、人工知能（AI）の成長と進歩に不可欠であり、ロジスティック回帰も例外ではありません。AIとロジスティック回帰を組み合わせることで、さまざまな用途で正確な予測を行えます。ロジスティック回帰とは何か、その用途や仕組みについて、マイクロンとともに詳しく確認しましょう。

ロジスティック回帰とは？

ロジスティック回帰の定義：ロジスティック回帰は、2つのデータ要因の関係を見出し、結果を予測するための統計モデルで、ロジットモデルとも呼ばれます。

人工知能で使用される他の統計モデルとロジスティック回帰が異なる点は、予測結果として、連続的なデータ範囲ではなく、明確な答えを提示することです。たとえば、ロジスティック回帰モデルで得られる結果は、「はい」または「いいえ」のように単純なこともあります。

また、実用的なデータや予測をすぐにでも活用したい企業にとって、ロジスティック回帰はシンプルでありスピードも備えているため、機械学習分野でも広く採用されています。

ロジスティック回帰はどのように機能しますか？

線形回帰など、人工知能ツールを使用する他の統計モデルと同様に、ロジスティック回帰モデルの仕組みの根底には方程式や関数があります。このモデルの仕組みにおいて重要な役割を果たすのが、シグモイド関数です。

シグモイド関数は、ロジスティック回帰モデルがデータセットから得られた実数値を0から1の範囲の値に変換するために使用されます。このアプローチにより、ロジスティック回帰では、「はい」または「いいえ」、「真」または「偽」といった、より明確な答えを導き出せます。ロジスティック回帰の最も基本的な原理は、二値の各結果の確率を正確にモデル化できる点にあります。

線形回帰とロジスティック回帰の違いは何ですか？

線形回帰とロジスティック回帰は、どちらも一般的な統計モデルであり、共通点もありますが、細かな違いがいくつかあります。どちらのモデルも従属変数と独立変数の関係を明らかにするために使用されますが、線形回帰は連続型の従属変数を扱うのに対し、ロジスティック回帰はカテゴリ変数のみを扱います。

ロジスティック回帰の歴史とはどのようなものですか？

線形回帰と同様に、ロジスティック回帰にも長い歴史があります。

• 1800年代、初期の基盤：ロジスティック回帰は、19世紀にまでさかのぼる数学的原理に根ざしています。当時、ピエール＝シモン・ラプラスやダニエル・ベルヌーイ、続いてフランシス・ゴルトンが、確率や二値結果について研究しました。
• 1940年代～1950年代、二値問題への応用：20世紀半ばには、ロジスティック関数が二値分類問題に応用され、機械学習モデルとしてのロジスティック回帰が発展しました。数学理論をデータセットに応用したことで、この統計分析に基づく機械学習モデルの開発への道が開かれました。
• 1980年代以降、現代的な応用：20世紀後半以降、ロジスティック回帰は分類問題に応用されてきました。ロジスティック回帰は機械学習の定番手法となり、確率をさまざまな業界で応用できるようになりました。

ロジスティック回帰の種類には主にどのようなものがありますか？

ロジスティック回帰には主に3つの種類があり、それぞれに異なる状況での用途と意味合いがあります。

二項ロジスティック回帰は、ロジスティック回帰の中で最も一般的で、データセットの従属変数が2つの結果のみを取る場合に使用されます。2つの結果しか想定されないデータを分析する際に特に有用です。たとえば、二項ロジスティック回帰を使用すると、過去の実績に基づいて、学生が試験に合格する可能性や、有権者が特定の候補者に投票する可能性を判断できます。

多項ロジスティック回帰は、従属変数が、二項ロジスティック回帰のような2つの結果にとどまらず、3つ以上の結果を取る場合に使用されます。これらの値には順序がなく、特定の並びはありません。この種類のロジスティック回帰は、年齢、性別、資格などの外的要因に基づいて、個人の職位を推定する場合などに有用です。

順序ロジスティック回帰は多項ロジスティック回帰と似ていますが、3つ以上の結果を取る従属変数を扱う点に加え、それらの値に明確な順序がある点が異なります。順序ロジスティック回帰は通常、病状の重症度評価など、順位付けや尺度化に使用されます。

ロジスティック回帰はどのように活用されていますか？

ロジスティック回帰を使用することで、企業や医療従事者は予測を行い、その予測に基づいて意思決定を行うことで、事業の成功や診断精度の向上を図ります。たとえば、医療上の問題を検出する場合、基本的な二項ロジスティック回帰でも、特定の病状や疾患がどの程度深刻かを分析し、簡潔な答えを示すことができます。

金融分野においては、どの形式のロジスティック回帰であっても、類似する他の予測モデルと同様に実証済みの活用例があります。この統計モデルは、過去のデータを調査・分析することで、融資や保険の申請におけるリスク水準について、さらなる判断材料を提供します。単純明快な二値の結果により、特定の申請を高リスクとしてフラグ付けできます。

ロジスティック回帰は、マーケティングにおいても非常に重要なツールとなっています。ユーザー行動を分析し、ユーザーが広告をクリックする可能性が高いかどうかやその理由、また、ある広告が別の広告よりもユーザーの目に留まりやすい理由を把握できます。ロジスティック回帰を使用することで、マーケティングチームはより適切な意思決定を行えます。