分類 vs 回帰

教師あり機械学習の問題は、一般的に分類と回帰の2つの主要なカテゴリに分けられます。これら2種類の違いを理解することは、データの準備方法、アルゴリズムの選択、結果の解釈に影響するため重要です。いずれの場合も、データセットは特徴量（入力変数）とラベル（予測したいターゲット変数）で構成されていますが、分類と回帰ではラベルの性質が異なります。

分類は、観測値がどのカテゴリやクラスに属するかを予測することです。分類データセットのラベルは離散的で、限られた値の集合を取ります。例えば、メールがスパムかスパムでないかを予測する場合、「spam」と「not spam」という2つのクラスが存在します。出力はカテゴリカルです。

一方、回帰は連続値を予測することです。ここでのラベルは実数であり、この値をできるだけ正確に推定することが目的です。例えば、家の特徴（広さや場所など）に基づいて価格を予測する場合、出力はある範囲内の任意の値となるため、回帰問題となります。

分類と回帰の主な違いは、予測するラベルの種類にあります。分類は離散的なカテゴリ、回帰は連続値です。

分類や回帰の問題は、さまざまな実世界の場面で見られます。分類が適しているタスクの例：

• スパム検出：メールを「spam」または「not spam」と分類
• 医療診断：腫瘍が「良性」か「悪性」かを判定
• 画像認識：写真内の物体を「cat」「dog」「car」などとして識別

回帰は、予測値が連続値となる場合に使用されます。例：

• 場所や広さに基づく家の価格予測
• 過去のデータを用いた株価の予測
• 天候条件から翌日の気温を推定

適切な手法の選択は、データセット内のラベルの種類や予測したい内容によって決まります。