【10分で分かる】回帰分析について解説！線形回帰分析を基本に少しだけ応用手法も触れおこう！

[@aiby8596]

【視聴ガイド】
01:14 線形回帰分析の仕組み
03:10 線形回帰分析を使う際の注意点
05:37 線形回帰分析の応用

[@yutakatau]

視聴させていただきました。これまで営業畑で仕事をしてきましたが、病気もありリモートワークができる環境でDXや将来予測について職務が変わりました。まもなく50歳となりますが、高校までの数学を駆使して新たなる分野に挑戦し、少しでも社会の役に立ちたく先生の講義楽しみにしております。引き続きよろしくお願いします。

[@aiby8596]

ありがとうございます！引き続きよろしくお願いします。

[@リネマ-w9s]

初めまして。とてもわかりやすい動画をありがとうございます。
データサイエンティストを目指して勉強しているものです。
一点質問なのですが、いまいち線形回帰や重回帰を使うタイミングがわかりません。というのも線形回帰や重回帰を行うにあたって多重共線性やデータの分布などいろいろなことを考える必要があると思いますが、lightgbmなどの勾配ブースティングの手法を用いればあまり深いことを考えなくても良い精度を出してくれる印象があるからです。
統計モデリングなども多少は勉強しましたが結局どの場面で使うのかわからず、難しいこと考えなくても勾配ブースティングで良くない？と思ってしまいました。
こういった考え方はデータサイエンティストとして良くないことはわかってはいるのですが…
動画の冒頭でも述べられていますが、モデルの説明性を重視したいときは線形回帰や重回帰が用いられて予測精度だけを追い求めているときは勾配ブースティングなどが用いられているのでしょうか？
長くなってしまいましたが今後も動画を楽しみにしています。

[@aiby8596]

リネマ コメントありがとうございます。おっしゃる通り勾配ブースティング木は何も考えずに使っても非常に高い精度を出力するため使用されることは多いです。
一方で線形回帰分析は処理の速さと結果の可視化に分があります。
処理の速さでいうと、実世界では精度の少しの差よりもリアルタイム性や運用のしやすさが重視されることも多いです。そもそも精度よりも打ち手のコミュニケーション次第みたいなところもあります笑
結果の可視化で言うと、勾配ブースティング木は重要な特徴量は出してくれますが、一体目的変数にどのくらい寄与するの？みたいな数値感は出してくれません。
なんとなーくこの特徴量が効いてるんだなーくらいです。
その点線形回帰モデルだと現状の目的変数と説明変数の関係がより詳しく分かるのでマーケティングに活かしやすい側面があります。
また統計モデルの文脈で言うと階層ベイズなどでモデリングした場合、勾配ブースティング木を超える精度を叩き出す可能性もあります。
一応違いを述べましたが、結局勾配ブースティング木を使うことは多いです！！

[@ingdpwm]

動画拝見させて頂きました。
すごくわかりやすかったです。
予測としてpredict メソッドを使う際、条件付き（例えばaチームとbチームの試合でaチームが無得点の時のbチームの特典の予測）にする場合どのような手順で実装すれば良いでしょうか。
ご教授頂ければ幸いです。

[@aiby8596]

ありがとうございます。
bチームの予測に使う未知データにはaチームの得点が入っている認識で合ってますか？
であれば、aチームの得点が無得点でフィルターをかけたデータセットを作成し、モデルに投入すればよいかと思います。
もし状況が違う場合、もう少し具体的にいただけると助かります。

[@ingdpwm]

@@aiby8596 ご返信ありがとうございます！
納得しました。
現在データサイエンスの勉強をしており、動画をたくさん拝見させて頂いてます！
これからもよろしくお願いします！

[@aiby8596]

よかったです！引き続きよろしくお願いいたします。

[@m_nkt]

自分用メモ；
寄与率＝決定係数

[@kzmtkrdatet0su1ky0]

内容は楽しいのですが、BGMの音が大きすぎて、聞くのが辛いです。

[@aiby8596]

ご覧いただきありがとうございます。BGM大変申し訳ございません。。。
最近の動画はBGMのボリュームを落としております。