初心者向け！ロジスティック回帰をわかりやすく解説

1. ロジスティック回帰とは？

「ロジスティック回帰」という名前を聞くと、「回帰？」と思うかもしれませんが、実は分類のための手法 です。

例えば、以下のような 「はい / いいえ」「A / B」で分ける二択の分類問題 に使われます。

スパムメールか？（Yes / No）
猫か犬か？（猫 / 犬）
試験に合格するか？（合格 / 不合格）

2. ロジスティック回帰の仕組み

ロジスティック回帰は、データの間に境界線（直線）を引いて分類 します。

🔹 直線で分けるイメージ

例えば、以下のようなデータがあるとします。

この 「——————–」 の部分が、ロジスティック回帰によって学習される 分類のための境界線 です。

❓ なぜ「回帰」と呼ばれるの？
→ 「データを数式で表し、確率を予測する」 という点で回帰分析の要素を持つためです。

ロジスティック回帰の数式は、次のようになります。

$\frac{1}{1 + e^{-(ax + b)}}$

P(y=1) は「あるデータが 1（合格・スパム・犬など）に分類される確率」
ax + b は データの特徴に基づいたスコア
e は自然対数の底（2.718…）

この数式を使って、データがどちらのクラスに分類される確率を計算し、境界線を決める という仕組みです。

3. Pythonでロジスティック回帰を実装

では、実際に Python でロジスティック回帰を動かしてみましょう！
今回は scikit-learn を使います。

✅ 3-1. 必要なライブラリをインストール

まず、ライブラリをインストールします。

✅ 3-2. データを作成

Pythonの make_classification() を使って、ロジスティック回帰用のデータを作ります。

💡 ポイント

make_classification() → 分類用のデータを自動生成
train_test_split() → データを訓練用とテスト用に分ける
n_features=2 → X軸・Y軸の2次元データ
random_state=42 → 毎回同じデータを作るための設定

✅ 3-3. ロジスティック回帰モデルを作成

次に、ロジスティック回帰のモデルを作り、学習させます。

💡 ここで何をしている？

LogisticRegression() → ロジスティック回帰のモデルを作成
fit() → 訓練データでモデルを学習
score() → テストデータでモデルの精度（正解率）を評価

✅ 出力例

→ 約96%の正確さで分類できた！

4. 分類の境界線を可視化

モデルがどのようにデータを分類したのか グラフで確認 してみましょう。

python

import matplotlib.pyplot as plt

import numpy as np
# データ点をプロット

plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.coolwarm, edgecolors='k')
# 決定境界を描画

x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1

x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1

xx1, xx2 = np.meshgrid(np.linspace(x1_min, x1_max, 100),

                       np.linspace(x2_min, x2_max, 100))

Z = model.predict(np.c_[xx1.ravel(), xx2.ravel()]).reshape(xx1.shape)

plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=plt.cm.coolwarm) plt.xlim(xx1.min(), xx1.max()) plt.ylim(xx2.min(), xx2.max()) plt.title("ロジスティック回帰による分類結果") plt.xlabel("特徴量1") plt.ylabel("特徴量2") plt.show()

✅ グラフの説明

データ点（赤・青）がプロットされる
ロジスティック回帰の分類境界線（直線）が描画される
各クラスのエリアが色分けされる

これで、「データがどのように分類されているのか？」 が視覚的にわかります！

5. まとめ

✅ ロジスティック回帰のポイント

✔ 2つのグループに分類する手法（スパムメール判定、合格/不合格など）
✔ 「回帰」という名前だけど、分類のためのモデル
✔ 直線の決定境界を学習し、データを分類する
✔ Python（scikit-learn）を使えば簡単に実装できる！

🔥 次のステップ

ロジスティック回帰を理解したら、次は以下の応用を試してみましょう！

✅ 多クラス分類（3種類以上の分類） → LogisticRegression(multi_class='multinomial')
✅ 非線形データに対応（カーネルSVMなど）
✅ 特徴量を増やしてモデルの精度を向上

この記事が ロジスティック回帰を学ぶ手助け になれば嬉しいです！🚀