← 機械学習テキスト 一覧

🎓 レベル：基礎　|　重要度：A（必須）

📎 前提：学習問題の定式化（仮説・損失・経験リスク）　|　数理：単回帰分析（統計）・最尤法・モーメント法（推定量の作り方と最尤推定量の漸近論）（統計）

要点（BLUF）

• 線形回帰は「入力の線形結合で出力を予測するモデル $y = X\beta + \varepsilon$ を、二乗誤差が最小になるように当てはめる」教師あり回帰の最も基本的な手法です。
• 二乗損失を最小化すると 正規方程式 $X^\top X\,\hat\beta = X^\top y$ が出て、解は $\hat\beta = (X^\top X)^{-1}X^\top y$。これは幾何的には「$y$ を列空間 $\mathrm{col}(X)$ へ直交射影する」操作です。
• 誤差を $\varepsilon \sim N(0,\sigma^2)$ と仮定すると、最小二乗解＝最尤推定（MLE） になります。二乗損失は「ガウス誤差を仮定したときの負の対数尤度」だったわけです。

1. モデルの定式化

$n$ 個のデータ $(x_i, y_i)$ を考えます。各 $x_i$ は $p$ 次元の特徴ベクトルです。線形回帰は、出力を特徴の線形結合で予測します：

$\hat{y}_i = \beta_0 + \beta_1 x_{i1} + \cdots + \beta_p x_{ip}$

これを行列でまとめます。切片 $\beta_0$ を吸収するため各行の先頭に 1 を足した 設計行列（design matrix） $X \in \mathbb{R}^{n\times(p+1)}$ を使うと、

$y = X\beta + \varepsilon,\qquad y\in\mathbb{R}^n,\ \beta\in\mathbb{R}^{p+1},\ \varepsilon\in\mathbb{R}^n$

要するに：予測値 $\hat y = X\beta$ は「$X$ の各列を $\beta$ で重み付けして足したもの」。$\varepsilon$ はモデルで説明しきれないズレ（誤差項）です。

⚠️ 「線形」とはパラメータ $\beta$ について線形という意味です。$x^2$ や $\log x$ を特徴に入れても、$\beta$ について線形なら線形回帰のままです（曲線も当てはめられる）。

2. 最小二乗法と正規方程式

良い $\beta$ とは、予測の二乗誤差の合計（残差平方和, RSS）を最小にするものとします：

$L(\beta) = \sum_{i=1}^{n}\big(y_i - x_i^\top\beta\big)^2 = \lVert y - X\beta\rVert^2$

これを $\beta$ で微分して 0 と置きます。$\lVert y - X\beta\rVert^2 = (y-X\beta)^\top(y-X\beta)$ を展開すると

$L(\beta) = y^\top y - 2\beta^\top X^\top y + \beta^\top X^\top X\beta$

勾配を取ると（ベクトル微分の公式 $\partial(\beta^\top A\beta)/\partial\beta = 2A\beta$、$A=X^\top X$ は対称）：

$\nabla_\beta L = -2X^\top y + 2X^\top X\beta = 0$

これを整理すると 正規方程式（normal equation） が得られます：

$X^\top X\,\hat\beta = X^\top y \quad\Longrightarrow\quad \boxed{\;\hat\beta = (X^\top X)^{-1}X^\top y\;}$

要するに：損失は $\beta$ の凸な二次関数なので、勾配が 0 になる一点が唯一の最小値。$X^\top X$ が正則（＝列が一次独立）なら逆行列で一発で解けます。反復計算は不要で、これが線形回帰の大きな利点です。

$X^\top X$ が正則であるためには $X$ の列がフルランク（一次独立）である必要があります。列同士が強く相関すると逆行列が不安定になる——これが多重共線性の問題で、次のノート 重回帰と多重共線性 で扱います。

3. 幾何的意味：列空間への直交射影

正規方程式を $X^\top(y - X\hat\beta) = 0$ と書き直すと、図形的な意味がはっきりします。

• 予測ベクトル $\hat y = X\hat\beta$ は、$X$ の列ベクトルの線形結合なので、必ず列空間 $\mathrm{col}(X)$（$X$ の列が張る部分空間）の中にあります。
• 残差ベクトル $e = y - \hat y$ は、$X^\top e = 0$ より $X$ のすべての列と直交します。つまり $e \perp \mathrm{col}(X)$。

graph TB
    Y["観測ベクトル y"] -->|"直交射影"| YH["予測 ŷ = Xβ̂（列空間内）"]
    Y -->|"残差 e = y − ŷ"| E["e は列空間と直交"]
    YH -->|"残差はここに直交"| E
    SUB["列空間 col(X)（X の列が張る平面）"] --- YH

これは「$y$ を列空間に下ろした足（最短距離の点）が $\hat y$ である」という、最短距離＝垂線の足の話そのものです。残差 $e$ が列空間と直交していなければ、まだ列空間の方向に動かして誤差を減らせる余地があるので、最小ではありません。直交していること自体が最小性の条件になっています。

予測を作る写像 $\hat y = X(X^\top X)^{-1}X^\top y = Hy$ の行列

$H = X(X^\top X)^{-1}X^\top$

は ハット行列（射影行列） と呼ばれ、$H^2 = H$（射影なので二度かけても同じ）、$H^\top = H$（対称）という直交射影の性質を満たします。

要するに：最小二乗法は「観測 $y$ から、モデルで表現できる空間 $\mathrm{col}(X)$ に向かって垂線を下ろす」操作です。代数（正規方程式）と幾何（直交射影）は同じ事実の two views です。

4. 確率的解釈：最小二乗＝ガウス誤差の最尤推定

ここまでは「二乗誤差を最小にする」という最適化の話でした。実はこの二乗損失には確率モデルの裏付けがあります。

誤差を独立同分布のガウスノイズと仮定します：

$\varepsilon_i \stackrel{\text{iid}}{\sim} N(0,\sigma^2)\quad\Longleftrightarrow\quad y_i \mid x_i \sim N(x_i^\top\beta,\ \sigma^2)$

つまり「各 $y_i$ は、真の直線上の値 $x_i^\top\beta$ を中心とした、分散 $\sigma^2$ の正規分布から出る」と考えます。1 点の尤度（確率密度）は

$p(y_i\mid x_i;\beta,\sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}}\exp\!\left(-\frac{(y_i - x_i^\top\beta)^2}{2\sigma^2}\right)$

独立性より全データの尤度は積になり、対数を取ると（対数尤度）：

$\ell(\beta,\sigma^2) = \sum_{i=1}^{n}\log p(y_i\mid x_i) = -\frac{n}{2}\log(2\pi\sigma^2) - \frac{1}{2\sigma^2}\sum_{i=1}^{n}(y_i - x_i^\top\beta)^2$

$\beta$ に関係するのは最後の項だけです。$\ell$ を $\beta$ について最大化することは、符号が逆なので

$\sum_{i=1}^{n}(y_i - x_i^\top\beta)^2 = \lVert y - X\beta\rVert^2$

を最小化することと完全に一致します。これは §2 の最小二乗の損失そのものです。

flowchart LR
    A["誤差を N(0, σ²) と仮定"] --> B["尤度 ∏ p(yi | xi)"]
    B --> C["対数尤度 ℓ(β)"]
    C -->|"β に依存する項だけ残す"| D["最大化 ⇔ Σ(yi − xiᵀβ)² の最小化"]
    D --> E["最小二乗解 β̂ = (XᵀX)⁻¹Xᵀy"]

要するに：最小二乗法は天下りの「便利な損失」ではなく、「誤差が正規分布する」という確率モデルの最尤推定です（→ 統計の 最尤法・モーメント法（推定量の作り方と最尤推定量の漸近論））。だから二乗損失が外れ値に弱いのも、正規分布が裾の薄い分布だから、と理解できます（裾の厚いラプラス分布を仮定すると絶対値損失＝中央値回帰になる）。

補足：$\sigma^2$ を最尤推定すると $\hat\sigma^2 = \frac{1}{n}\lVert y - X\hat\beta\rVert^2$（残差の平均二乗）。ただしこれは下方バイアスを持ち、不偏推定では $n-(p+1)$ で割ります（→ 統計 残差分析・回帰診断）。

5. 前提（古典的線形回帰モデルの仮定）

最小二乗推定量 $\hat\beta$ が「良い推定量」であるための古典的仮定は次の通りです。

ここで効いてくるのが ガウス・マルコフの定理 です：誤差が「平均0・等分散・無相関」（正規性は不要）であれば、最小二乗推定量は 線形不偏推定量の中で最小分散 ＝ BLUE（Best Linear Unbiased Estimator） になります。正規性まで仮定すると、線形に限らずすべての不偏推定量の中で最小分散となり、§4 の最尤推定の最適性とつながります。

要するに：正規性は「点推定 $\hat\beta$ の最適性」には不要（等分散・無相関で十分にBLUE）。正規性が効くのは検定・信頼区間などの推測統計の場面です。

⚠️ よくある誤解

• 「線形回帰は直線しか引けない」は誤り。線形なのはパラメータ $\beta$ についてであり、$x^2,\sqrt{x},\log x$ などを特徴に入れれば曲線も当てられます（多項式回帰も線形回帰の一種）。
• 正規方程式の逆行列は実務では直接計算しない。$(X^\top X)^{-1}$ は数値的に不安定になりやすく、実装は QR 分解や SVD で解くのが標準です（解は同じ）。
• 正規性は推定そのものには必須でない。ガウス・マルコフより、等分散・無相関なら正規性なしで BLUE。正規性が要るのは $t$ 検定・信頼区間など。
• 最小二乗＝最尤、は誤差がガウスのときだけ。誤差分布を変えれば損失も変わります（ラプラス→絶対値損失）。二乗損失が外れ値に弱いのはガウスの裾の薄さの裏返し。
• $X^\top X$ が特異だと解が一意に決まらない。列が一次従属（完全な多重共線性）だと逆行列が存在せず、解が無数に出ます（→ 正則化で対処、正則化（Ridge・Lasso・Elastic Net））。

対応するシミュレーション

simulations/linear_regression_ols.py：直線っぽいデータに最小二乗法を正規方程式 $\beta=(X^\top X)^{-1}X^\top y$ で一発で当てはめ、各点の残差（予測と実測の縦のズレ）を可視化します。傾きを変えると残差の二乗和(SSE)が下に凸の放物線を描き、最小二乗の傾きでちょうど底になる＝他のどの傾きより誤差が小さいことを示します。なぜ二乗かは誤差が正規分布のときの最尤推定に対応します（統計サイト参照）。

関連ノート

• 教師あり学習・回帰 目次
• 学習問題の定式化（仮説・損失・経験リスク）（二乗損失と経験リスク最小化の枠組み）
• 汎化と過学習・バイアスバリアンス分解（線形モデルは低バリアンス・高バイアス側）
• 評価指標（回帰）（RMSE・決定係数 R² など）
• 重回帰と多重共線性（$X^\top X$ の不安定性）
• 正則化（Ridge・Lasso・Elastic Net）（特異・過学習への対処）
• 単回帰分析（統計・1変数版の土台）
• 最尤法・モーメント法（推定量の作り方と最尤推定量の漸近論）（統計・最尤推定の一般論）
• 残差分析・回帰診断（統計・仮定のチェック）
• 機械学習テキスト 全体目次