こんにちは、じゅんペー(@jp_aiboom)です！

僕は現在東京大学の理系の二年生です。この連載では、AI初心者の僕が、「パターン認識と機械学習(通称PRML)」を読み進めながら、機械学習の理論面を一から勉強していく様子をお届けしたいと思います。

重要なお知らせ：AI分野のお仕事マッチングサービス「AIDB HR」を開始しました！登録後はオファーを受け取るだけのシンプルなサービスです！現在、期間限定で、ギフト券が必ずもらえる新規登録キャンペーンも行っています。

第1回の記事では、機械学習は「教師あり学習」「教師なし学習」「強化学習」の3つに分類できるというお話をしました。第2回の今日は、「多項式曲線フィッティング」という手法を例に、「教師あり学習」の1つである回帰というテーマを取り扱います。

そもそも機械学習とは？回帰って何？という方は、第1回目の記事をご覧いただければと思います。

▶︎　東大生AI初心者の学習日誌 Day1「機械学習の全体像」

回帰と多項式曲線フィッティング

回帰とは、既存のデータから、未知のデータを予測することです。

回帰の具体例として、第1回目の記事を引用します。

たとえば、訓練データとして、間取り、立地、築年数などのデータと賃料（これらが特徴量に相当します）が与えられます。それとは別に、テストデータとして、賃料以外のすべての項目のデータが与えられているとします。訓練データを学習し、テストデータの賃料を予測するのが、回帰です。

回帰を行うための手法はいくつかあります。今回は、回帰の手法の1つである「多項式曲線フィッティング」を紹介します。

多項式曲線フィッティングを適用する問題