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12回目の今回も、前回（第11回）、前々回（第10回）の続きで、 線形識別モデルを扱います。過去記事をまだお読みになられてない方は、そちらから先に読んでいただく方が理解しやすいと思います。

▷　 東大生AI初心者の学習日誌 Day10「線形識別モデル（１）」
▷　 東大生AI初心者の学習日誌 Day11「線形識別モデル（２）」

過去2回の記事で、2つの線形識別モデルを試してみた結果をまとめます。

第10回：「最小二乗法」に焦点を当てて、実際に生成したデータを分類してみたのですが、ノイズが入るデータに対しては、最小二乗法ではうまくいかないことが分かりました。

第11回：「パーセプトロン」に焦点を当てて、実際に生成したデータを分類してみたところ、ノイズが入るデータに対してもうまく分類できることが分かりました。しかし、パーセプトロンは2クラス用学習法で、3クラス以上の分類はできません。

そこで、今回は、線形識別モデルの別の手法として、「ロジスティック回帰」 を取り扱います。回帰と名前がついていますが、実際には分離のためのモデルです。

ロジスティック回帰