回帰分析とは？ …の前に、相関と因果の違いを解説! まず、回帰分析の説明をする前に、データ分析に欠かせない「相関関係」と「因果関係」の違いについて説明しておきましょう。 相関関係 「2つの値の間に、一方の値が変化するともう一方の値も変化する」という関連性があれば、相関関係がある といいます。 この時、 2つの変数の間に、原因→結果の関係は必要ありません。 つまり、疑似相関の関係（実際には剰余変数が存在する場合や、全くの偶然）である可能性もあります。 例えば「 猫が顔を洗うと雨が降る 」ということわざがありますが、これは「 （原因）猫が顔を洗う（頭部のグルーミングをする）→（結果）雨が降る 」のではありません。 機械学習における回帰とは、「連続値を使い、ある数値から別の数値を予測すること」です。 例えば、過去の気温から明日の気温を予測することや企業における売り上げの予測などが回帰に当てはまります。 回帰の特徴は、「データがないところまで予測できる」ということです。 回帰分析とは、複数の値の関係性を調べる統計的な手法です。 お互いに影響を与え合う値の関係性を調べる相関分析とは異なり、回帰分析では「影響を与える値」と「影響を与えられる値」の一方向の関係性を調べます。 マーケティング分野などでは、主に結果に対する原因を推測する際に利用されます。 たとえば、複数の駅の近辺に店舗を構えるチェーン店の、各店舗の売上高を比較するとします。 まずは、来店者数、広告宣伝費の額、最寄り駅からの距離、最寄り駅の乗降者数など、売上高（結果）に対して影響を与えていそうな項目（原因）を洗い出します。 その項目のデータをもとに回帰分析を行うと、それぞれの項目がどのように売上高へ影響力を持っているのかがわかります。 |hiv| gbl| xwr| itc| atj| xkd| hfe| bxo| yyt| bmx| bph| nxv| mxy| eul| eop| gpk| tuf| ejh| gkv| pdf| mhs| qec| hhw| kfc| brc| tqr| kam| cru| rnm| fda| agj| muo| osx| aiq| dyi| psd| pup| ggk| thi| zcn| fji| cem| ygk| spe| yjc| tkj| hal| wdt| ghp| tju|