回帰（リグレッション）

回帰（Regression）とは、入力変数（特徴量）と出力変数（ターゲット）の間の数値的な関係を学習し、新しい入力に対して連続した数値を予測する機械学習タスクです。「明日の気温は何℃か」「この物件の売却価格はいくらか」「来月の需要は何個か」のように、離散的なカテゴリではなく連続値を予測します。

回帰が重要な理由は、ビジネスにおける量的な予測・推定の需要が非常に高いためです。製品の需要予測（在庫管理）・広告クリック率の予測（CPA最適化）・顧客の生涯価値（LTV）推定・エネルギー消費量の予測・金融リスクのスコアリングなど、数値を予測することで合理的な意思決定ができます。

代表的なアルゴリズムとして、線形回帰（最もシンプル）・多項式回帰・Ridge/Lasso回帰（正則化あり）・サポートベクター回帰（SVR）・決定木回帰・ランダムフォレスト回帰・勾配ブースティング回帰・ニューラルネットワーク回帰があります。評価指標として、MAE（Mean Absolute Error）・RMSE（Root Mean Squared Error）・R²（決定係数）が使われます。overfitting対策として正則化とクロスバリデーションが重要です。gradient-descentを使ったパラメータ最適化が学習の中心です。