単回帰分析を数式を使わずにその発想を説明し、機械学習の基礎であることを説明した。

1. Single Regression Analysis
Kosuke Kikuchi
A High Spec Gopher
Persol Career Inc.,

2. Who Am I?
菊地弘祐（牡34）
青森県八戸市産、東京都育ち 北の血が濃いめ（青森、北海道、秋田あたり）
成城学園高等学校
早稲田大学理工学部建築学科
早稲田大学大学院創造理工学研究科建築学専攻芸術系分野修士課程修了（M.Arch）
早稲田大学大学院創造理工学研究科建築学専攻芸術系分野博士課程単位取得退学
株式会社スポットライト, エンジニア
IPONWeb JAPAN, データマイニングエンジニア
パーソルキャリア株式会社, 高機能雑用
https://www.16personalities.com/profiles/61b26bdff1925
Big FiveだとOpen to Experienceが強めに出る。
最近は家庭内オペレーション自動化が興味範囲。家事が属人化しているので。

3. Who Am I?
最近HTTP3の日本語訳プロジェ
クトのコミットをしています

4. Who Am I?
機械学習プラットフォーム
のOrganizationに参加中。
この話はいつの日か。

5. 今日話したいこと
● 統計解析や機械学習でやっていることのイメージ
● 回帰分析の簡単な説明
● 単回帰分析の直観的な理解
● 単回帰分析の落とし穴
● Appendixにて機械学習への橋渡し

6. 回帰分析の簡単な説明
回帰分析
● 目的変数と説明変数は連続変数

7. 回帰分析の簡単な説明
説明変数 目的変数

8. 回帰分析の簡単な説明
その値に意味はない時に用いるのがカテ
ゴリ変数。
値には意味があるが、自然数になって
いる場合。
値に意味があり、どんな実数が入って
も大丈夫な場合。

9. 回帰分析の簡単な説明
回帰分析
● 目的変数と説明変数は連続変数

10. 回帰分析
回帰分析の種類
● 単回帰分析
● 重回帰分析
● 一般線形モデル
● 一般化線形モデル
などなど
単回帰と重回帰は直線になる。
一般線形モデルと一般化線形モデルは非線形の分布を前提にして非線形
の関数を表現できる。

11. 単回帰分析の直観的な理解
求めたい関数
実測値
求めたい関数と実測値の誤差
最小二乗法を用いて求めたい関数のパラメ
ータを計算する。
最小二乗法を用いた計算や証明はテキスト
をご覧ください。
ここでの意味を軽く。
できるだけ、実測値と関数が一致するよう
にしたい。
そのためには、実測値と関数とで発生する
誤差を一番小さくすれば良い。
誤差を小さくするには、式を微分して0にな
れば最小値の候補が得られる。

12. 単回帰分析の直観的な理解
結果の直感的理解
x方向の距離のばらつき
xとy方向のばらつき

13. 単回帰分析の直観的な理解
精度の直感的理解
誤差
実データの
ばらつき
予測値の
ばらつき 実データのばらつきが予測値の
ばらつきで占める割合が多けれ
ば予測としては良い
これを計算していったら、相関
係数を二乗したものと等しくな
った

14. 単回帰分析の落とし穴
最小二乗法の前提は下記の二項目を仮定している
● どのxの値でも分散は等しい
● 誤差の平均値（距離ではなく）は0になる
そのために、正規分布が前提になっている。確率分布の話はまた今度で
回帰式
y - 回帰式

15. Appendix

16. 機械学習の基本は単回帰分析
回帰
● 教師あり学習
● 目的変数と説明変数は連続変数

17. 機械学習の基本は単回帰分析
説明変数 目的変数
教師あり学習
回帰分析と同じように、目的変数が
あり、それ合うようにして関数のパ
ラメータを最適にしていく。

18. 機械学習の基本は単回帰分析
理想の状態
求めたい関数
実測値
求めたい関数と実測値の誤差
＝Loss関数
求めたい関数と実測値の距離を最小にする
ように、関数のパラメータを決めることが
機械学習の内部で行なっていること

19. 機械学習の基本は単回帰分析
回帰分析の種類
● 単回帰分析
● 重回帰分析
● 一般線形モデル
● 一般化線形モデル
● ロジスティック回帰分析
● ニューラルネットワーク
● サポートベクターマシン
● などなど
ここら辺の基本的な発想はすべて単回帰分析と同じ。

20. EOF