Pythonでロジスティック回帰を実装する方法！機械学習の基本を完全解説

1. ロジスティック回帰とは？初心者向けに徹底解説

1. ロジスティック回帰とは？初心者向けに徹底解説

機械学習（きかいがくしゅう）の世界へようこそ！プログラミング未経験の方が最初に「ロジスティック回帰」と聞くと、数学の難しい公式を想像してしまうかもしれません。しかし、その正体はとてもシンプルです。

ロジスティック回帰とは、「ある出来事が起こるか、起こらないか」という確率を予測する手法のことです。例えば、明日の天気が「雨」か「晴れ」か、メールが「迷惑メール」か「そうでない」か、試験の結果が「合格」か「不合格」か、といった二つの選択肢を判断するときに大活躍します。

普通の計算機と違うのは、過去のデータを学習して「このくらいの勉強時間なら合格する確率が高いですよ」とコンピュータが自分で判断してくれる点にあります。この「学習」という仕組みこそが、人工知能（AI）の基礎となる機械学習の面白いところです。

2. Python（パイソン）が機械学習に最適な理由

2. Python（パイソン）が機械学習に最適な理由

なぜ機械学習を学ぶのに、多くの人がPython（パイソン）というプログラミング言語を選ぶのでしょうか。それは、Pythonが初心者にとって非常に読みやすく、書きやすい言葉だからです。

また、Pythonには「ライブラリ」という便利な道具箱がたくさん用意されています。本来なら何千行も書かなければならない複雑な計算も、誰かが作ってくれた道具（ライブラリ）を借りることで、たった数行で終わらせることができます。

特に「scikit-learn（サイキット・ラーン）」というライブラリは、機械学習を始めたい人にとって必須の道具です。これを使いこなすだけで、あなたも今日からデータサイエンティストの一歩を踏み出すことができます。

3. 準備運動！まずは基本的なライブラリを使ってみよう

3. 準備運動！まずは基本的なライブラリを使ってみよう

プログラムを書き始める前に、まずは「道具」を取り出す練習をしましょう。ここでは、数値計算が得意なNumPy（ナンパイ）というライブラリを使って、簡単なデータを作ってみます。

まずは、「勉強時間」と「合格・不合格」という関係をコンピュータに教えるための準備をします。

import numpy as np

# 勉強時間のデータ（1時間から10時間まで）
study_hours = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]).reshape(-1, 1)

# 合否のデータ（0が不合格、1が合格）
# 5時間以下は不合格(0)、6時間以上は合格(1)とする
pass_fail = np.array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1])

print("勉強時間のデータ:")
print(study_hours)
print("合否のデータ:")
print(pass_fail)

このコードでは、データを整理して箱（変数）に入れています。reshapeという言葉が出てきましたが、これはコンピュータが読み込みやすいようにデータの形を整える呪文だと思ってください。

勉強時間のデータ:
[[ 1] [ 2] [ 3] [ 4] [ 5] [ 6] [ 7] [ 8] [ 9] [10]]
合否のデータ:
[0 0 0 0 0 1 1 1 1 1]

4. いよいよ実践！ロジスティック回帰を動かしてみる

4. いよいよ実践！ロジスティック回帰を動かしてみる

それでは、実際にロジスティック回帰のモデルを作ってみましょう。「モデル」とは、データの法則性を学んだコンピュータの中の「判断基準」のことです。

ここでは「scikit-learn」という魔法の道具箱から、LogisticRegressionという機能を取り出して使います。

from sklearn.linear_model import LogisticRegression

# 1. ロジスティック回帰の道具（モデル）を準備する
model = LogisticRegression()

# 2. 勉強時間と合否のデータをコンピュータに学習させる
model.fit(study_hours, pass_fail)

# 3. 5.5時間勉強したときの合否を予測してみる
prediction = model.predict([[5.5]])

if prediction[0] == 1:
    print("予測結果: 合格！")
else:
    print("予測結果: 不合格...")

fit（フィット）という言葉は「学習させる」という意味です。人間が練習問題を解いてパターンを覚えるように、コンピュータにデータを与えて勉強させています。

予測結果: 不合格...

5.5時間は合格ラインの6時間に届かないので、コンピュータは「不合格」と予測しました。驚くほど簡単ですよね。

5. 確率はどのくらい？予測の裏側を覗いてみよう

5. 確率はどのくらい？予測の裏側を覗いてみよう

ロジスティック回帰の素晴らしいところは、単に「合格か不合格か」を決めるだけでなく、「何％の確率で合格か」まで教えてくれる点です。

日常の例で言えば、「雨が降るか降らないか」だけでなく「降水確率は70％」と言われるほうが、傘を持っていくかどうか判断しやすいですよね。プログラムでもその確率を表示してみましょう。

# 5.5時間勉強したときの「不合格の確率」と「合格の確率」を表示
probabilities = model.predict_proba([[5.5]])

print(f"不合格になる確率: {probabilities[0][0] * 100:.1f}%")
print(f"合格になる確率: {probabilities[0][1] * 100:.1f}%")

predict_proba（プレディクト・プロバ）という命令を使うと、確率が計算されます。

不合格になる確率: 59.8%
合格になる確率: 40.2%

このように、データが境界線（今回は5.5時間）に近いときは、コンピュータも「たぶん不合格だけど、合格する可能性も4割くらいあるよ」と教えてくれるのです。

6. 応用編：複数のデータを使って予測の精度を上げよう

6. 応用編：複数のデータを使って予測の精度を上げよう

現実の世界では、合否が決まる理由は一つではありません。「勉強時間」だけでなく「これまでの模試の点数」なども関係しますよね。ロジスティック回帰は、複数のデータ（特徴量といいます）を同時に扱うことも得意です。

今度は「勉強時間」と「出席率」の2つのデータを使って、新しい予測モデルを作ってみましょう。

# [勉強時間, 出席率] の組み合わせデータ
X = np.array([
    [1, 20], [2, 30], [3, 40], [5, 60], [6, 70], [8, 80], [9, 90]
])
# 0が不合格、1が合格
y = np.array([0, 0, 0, 0, 1, 1, 1])

# 新しいモデルを作成して学習
multi_model = LogisticRegression()
multi_model.fit(X, y)

# 「勉強時間7時間、出席率50%」の人の合否を予測
test_data = [[7, 50]]
new_prediction = multi_model.predict(test_data)

result = "合格" if new_prediction[0] == 1 else "不合格"
print(f"予測結果: {result}")

複数の要素が絡み合っても、プログラムの書き方はほとんど変わりません。これがPythonと機械学習の強力なポイントです。

予測結果: 合格

7. パソコン初心者でも怖くない！エラーが出たときの対処法

7. パソコン初心者でも怖くない！エラーが出たときの対処法

プログラミングをしていると、必ず「エラー」という怖い画面に出会います。でも安心してください。エラーは「壊れた」という合図ではなく、パソコンが「ここが分からないから直してほしいな」と送っているメッセージです。

よくある間違いは、「大文字と小文字を間違える」、「カッコが閉じられていない」、「ライブラリの名前を書き間違える」などです。

例えば、LogisticRegressionの「L」や「R」を小文字にしてしまうだけで、コンピュータは命令を認識できなくなります。まずは、お手本となるコードを一文字ずつ丁寧に入力することから始めてみてください。

8. 機械学習を学ぶ上で大切な「データの分け方」

8. 機械学習を学ぶ上で大切な「データの分け方」

最後に、機械学習で最も大切なルールを一つお伝えします。それは、「練習問題で使ったデータを、テストに使ってはいけない」ということです。

人間も、テストの答えを丸暗記してしまったら、本当の実力は分かりませんよね。コンピュータも同じです。持っているデータを「学習用（練習用）」と「テスト用（本番用）」の二つに分けて、学習に使っていないデータで正解できるかを確かめるのが一般的です。

これを「訓練（トレイン）」と「テスト」の分割と呼びます。ロジスティック回帰だけでなく、どんなに高度なAI開発でも欠かせないステップですので、覚えておくと役立ちますよ！

まとめ

まとめ

この記事では、Pythonを使用したロジスティック回帰の基本実装から、機械学習の基礎知識について詳しく解説してきました。 ロジスティック回帰は、名前に「回帰」と付いていながらも、実際には「二値分類（2つのクラスに分けること）」を得意とする非常に強力なアルゴリズムです。 「合格・不合格」「購入する・しない」といった、ビジネスや日常生活における意思決定をデータに基づいて予測できるため、データサイエンスの入り口として最も適しています。

ロジスティック回帰をマスターするための重要ポイント

Pythonで機械学習を実装する際に、最低限押さえておきたいポイントを整理しましょう。 これらを理解しておくことで、ロジスティック回帰以外のアルゴリズム（決定木やSVM、ニューラルネットワークなど）を学ぶ際にも、スムーズに知識を応用できるようになります。

• 1. ライブラリの活用： Pythonの「scikit-learn（サイキット・ラーン）」を使えば、複雑な数式を自力で計算しなくても、高度な予測モデルを構築できます。
• 2. データの学習（fit）： 過去のデータをコンピュータに読み込ませる作業を「fit」と呼びます。この工程で、AIはデータのパターンを学習します。
• 3. 確率の算出（predict_proba）： 単なる「YES/NO」の判定だけでなく、その自信の度合い（確率）を知ることで、より柔軟な判断が可能になります。
• 4. 特徴量の選定： 勉強時間だけでなく、過去の成績や集中力など、複数の要素（特徴量）を組み合わせることで、予測精度は飛躍的に向上します。

実践！さらに一歩進んだサンプルプログラム

ここでは、学んだ内容をさらに深めるために、データの標準化（スケーリング）を取り入れた、より実戦に近いコードを紹介します。 データの単位（例えば、時間は0〜10、出席率は0〜100など）が大きく異なると、AIが混乱してしまうことがあります。 これを防ぐために「StandardScaler」という道具を使って、データを整えるのがプロのテクニックです。

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
import numpy as np

# 1. データの準備（勉強時間, 過去のテスト点数）
X_train = np.array([
    [1, 40], [2, 45], [3, 50], [5, 65], [6, 75], [8, 85], [10, 95]
])
y_train = np.array([0, 0, 0, 0, 1, 1, 1])

# 2. データの標準化（スケールを揃えて学習しやすくする）
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)

# 3. モデルの作成と学習
final_model = LogisticRegression()
final_model.fit(X_train_scaled, y_train)

# 4. 新しいデータで予測（例：勉強時間7時間、過去の点数70点）
X_new = np.array([[7, 70]])
X_new_scaled = scaler.transform(X_new) # 予測用データも同じように標準化
final_prediction = final_model.predict(X_new_scaled)
final_proba = final_model.predict_proba(X_new_scaled)

# 5. 結果の表示
status = "合格圏内" if final_prediction[0] == 1 else "努力が必要"
print(f"診断結果: {status}")
print(f"合格の可能性: {final_proba[0][1] * 100:.2f}%")

いかがでしょうか。このように、標準化という一工程を加えるだけで、モデルの安定性が増し、より正確な予測が行えるようになります。 Pythonの機械学習ライブラリは、こうした補助的なツールも充実しているのが魅力ですね。

機械学習エンジニアへの道

ロジスティック回帰を理解できれば、あなたはすでに機械学習の基礎の50%をクリアしたと言っても過言ではありません。 なぜなら、データの準備、学習（fit）、予測（predict）、そして評価という一連の流れは、ディープラーニングのような最新技術でも全く同じだからです。

大切なのは、最初から完璧を目指さないことです。 まずは「動くコード」を書いてみて、数値を変えたら結果がどう変わるのかを観察する。 その繰り返しが、データサイエンスという魔法の杖を使いこなす一番の近道になります。 エラーを恐れず、Pythonの世界をどんどん冒険していきましょう。