② 機械学習の概要 ／ 7. 教師あり学習
重回帰分析とは
重回帰分析とは、複数の説明変数を用いて1つの目的変数を予測する回帰手法です。現実の問題は複数の要因が結果に影響するため、実務的な分析の基本形として重要です。
この用語はG検定シラバスの「7. 教師あり学習」に含まれます。 章全体の用語は用語解説②（全62語）にまとまっています。
一言でいうと
複数の要因（説明変数）を組み合わせて1つの数値を予測する回帰分析です。
どんな場面で使うか
不動産価格を「面積・築年数・駅からの距離」から予測するように、結果に複数の要因が絡む問題を扱えます。
各説明変数の係数を比べることで、どの要因がどの向きにどれだけ効いているかを読み取れる点も利点です。
注意点：多重共線性
説明変数どうしの相関が強すぎると、それぞれの係数が不安定になり、解釈できなくなります。これを多重共線性（マルチコ）と呼びます。
また説明変数を闇雲に増やすと過学習を招くため、次元の呪いの観点からも変数の絞り込みが重要になります。
変数を増やすべきか判断する
説明変数を増やすと訓練データへの当てはまりは必ず良くなります。そのため当てはまりの良さだけでは変数を増やす是非を判断できません。
そこで、当てはまりと複雑さを同時に評価するAICやBICが使われます。この考え方の背景にはオッカムの剃刀があります。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| 重回帰分析 | 説明変数が複数 |
| 単回帰分析 | 説明変数が1つ |
🎯 G検定での押さえどころ
- 説明変数は複数、目的変数は1つ
- 単回帰分析との違いは説明変数の数
- 説明変数どうしの相関が強いと多重共線性が起きる
⚠️ よくある誤りの選択肢
- 「重回帰分析では目的変数を複数扱う」→ 誤り。複数なのは説明変数です
- 「説明変数は多いほど精度が上がる」→ 誤り。過学習や多重共線性を招きます
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「教師あり学習① 線形回帰」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。