What is machine learning?

Machine learning learns patterns from data to make predictions. Start with https://mdooai.com/ja/learn/ml/mlSupervisedUnsupervisedSelf.

What is the difference between ML and DL?

Deep learning is a subset of machine learning focused on neural networks. Build foundations at https://mdooai.com/ja/learn/ml/mlDataFeature first.

Use cross-validation while narrowing search ranges. Start at https://mdooai.com/ja/learn/ml/mlCrossValidation.

Ch.06

線形回帰が「予想スコア」を予測するのに対し、ロジスティック回帰は はい / いいえ を判別する分類モデルです。例えば「勉強時間に対する試験スコア」ではなく、「このスコアなら 合格(1) か 不合格(0) か？」を当てます。そのためにスコアを 0～1 の 確率 に変える シグモイド関数 を使います。

チャプターを選ぶと、下の図がそのチャプターの内容に切り替わります。機械学習の流れを一覧で確認できます。

z

\sigma(z) = \frac{1}{1+e^{-z}}

z

z

世の中は「はい/いいえ」だらけ — スパムか？（はい/いいえ）、病気か？（はい/いいえ）、顧客が買うか？（はい/いいえ）。現実の多くの問題は 二択 の二値分類です。ロジスティック回帰はその基礎となるモデルです。 確信を数字で示す — 「合格です」だけでなく「合格確率 98% です」と言うと信頼が増します。ロジスティック回帰は単なる分類を超え、 どれだけ確信しているか（確率） を示すので意思決定に役立ちます。 ディープラーニングへの架け橋 — ニューラルネットの1つのニューロンはロジスティック回帰とよく似た動きをします。この概念を押さえておくと、あとでディープラーニングを学ぶとき「ああ、あれか」と理解しやすくなります。

スパムフィルター — メールの題名や語を分析し「このメールがスパムである確率」を計算し、一定以上ならスパムフォルダへ。 医療診断AI — 患者のレントゲンや血液検査値を入力し「特定疾患の確率」を予測して診断を支援。 マーケティング・レコメンド — 「この顧客は今月解約するか？」「このユーザーは広告をクリックするか？」を予測し、クーポンや広告を出し分けます。

ロジスティック回帰: 合格か不合格か？

魔法のS字カーブ、シグモイド — 線形回帰で計算したスコア

z

はとても大きい数にも負の数にもなります。しかし確率は 0%～100%（0～1）の間でなければなりません。シグモイド関数

\sigma(z) = \frac{1}{1+e^{-z}}

はどんな数が入っても 0 と 1 の間の値に滑らかに圧縮します。

運命のカットライン（決定境界） — シグモイドが「合格確率は 0.7（70%）です」と教えてくれても、モデルは最終判断を下す必要があります。通常 0.5（50%） を基準にし、確率が 0.5 以上なら 1（陽性）、0.5 未満なら 0（陰性） と分類します。

中身は線形回帰と同じ？ — ロジスティック回帰も内部では線形回帰と同様に

z = wx + b

でスコアを計算します。このスコアをそのまま出さず、シグモイドという「確率変換器」に一度通す点だけが違います。

数式 $\sigma(z) = \frac{1}{1+e^{-z}}$ の読み方 — 分母

1+e^{-z}

e

は自然対数の底（約 2.718）で、

z

が負だと

e^{-z}

が大きくなり、

z

が正だと

e^{-z}

は 0 に近づきます。 $z$ が大きな負のとき

\sigma(z) \approx 0

。 $z=0$ のとき

\sigma(0)=0.5

。 $z$ が大きな正のとき

\sigma(z) \approx 1

。よってこの式は任意の実数

z

を 0～1 の確率に圧縮します。