ゼロから実装する多変量線形回帰

行列演算 + 勾配降下法 + MSE を総合的に活用し、「データ → モデル → トレーニング → 予測」の全フローを一通り実行します。

このケースを学び終えると、次のことが理解できます:実際に動く機械学習モデルは、本質的には線形代数 + 微積分 + 最適化の組み合わせです。


生活からの導入

住宅価格の見積もり——面積だけではない

住宅価格は面積だけで決まるわけではありません。寝室の数、階数、駅に近いかどうか、築年数……それぞれの要素には重みがあります。

多変量線形回帰とは:各要素に重み w を与え、すべての要素に重みを掛けて合計し、さらに基本価格 b を加えます。そして過去の成約データからこれらの重みを逆算します——これがトレーニングです。


直感的な理解

機械学習の5ステップサイクル全体:

データを準備
X, y
順伝播による予測
X*W+b
損失を計算
MSE
勾配を計算
X.T*error
パラメータを更新
W-=lr*dW

この5ステップを各イテレーションで繰り返し実行し、損失が収束するまで続けます。PyTorch/TensorFlow の fit() メソッドの内部は、まさにこのループです。


数学的定義

\[ \hat{y} = XW + b, \quad L = \frac{1}{n}\sum(\hat{y}_i - y_i)^2 \] \[ \frac{\partial L}{\partial W} = \frac{2}{n} X^T (XW + b - y), \quad \frac{\partial L}{\partial b} = \frac{2}{n} \sum (XW + b - y) \]

Python での実践

実例

import numpy as np
np.random.seed(0)


class LinearRegressionFromScratch:
    """完全に NumPy の行列演算 + 勾配降下法で実装"""

    def __init__(self, lr=0.01, epochs=500):
        self.lr = lr
        self.epochs = epochs
        self.W = None
        self.b = None
        self.loss_history = []

    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.W = np.zeros(n_features)
        self.b = 0.0

        for epoch in range(self.epochs):
            y_pred = X @ self.W + self.b
            error = y_pred - y
            loss = np.mean(error ** 2)
            self.loss_history.append(loss)

            dW = (2 / n_samples) * (X.T @ error)
            db = (2 / n_samples) * np.sum(error)

            self.W -= self.lr * dW
            self.b -= self.lr * db

            if epoch % 100 == 0:
                print(f"サンプル epoch {epoch:4d}  loss={loss:.4f}")

    def predict(self, X):
        return X @ self.W + self.b


# データを作成: y = 3*x1 - 2*x2 + 5 + ノイズ
X = np.random.uniform(-5, 5, size=(200, 2))
true_W = np.array([3.0, -2.0])
true_b = 5.0
y = X @ true_W + true_b + np.random.randn(200) * 1.5

model = LinearRegressionFromScratch(lr=0.01, epochs=500)
model.fit(X, y)

print(f"\n"サンプル が学習した: W={np.round(model.W, 3)}, b={round(model.b, 3)}")
print(f"実際の値: W={true_W}, b={true_b}")
print(f"損失: {model.loss_history)

# 新しいサンプルを予測
X_new = np.array([[1.0, 1.0], [-2.0, 3.0]])
print(f"予測: {np.round(model.predict(X_new), 2)}")
サンプル epoch    0  loss=157.0828
サンプル epoch  100  loss=2.6062
サンプル epoch  200  loss=2.3077
サンプル epoch  300  loss=2.2581
サンプル epoch  400  loss=2.2475

サンプル 学到的: W=[ 3.014 -2.017], b=4.737
真实的:       W=[ 3. -2.], b=5.0
损失: 157.1 -> 2.25
预测: [5.73 -4.18]

AI における応用シナリオ

シナリオこのケースとの関連
ベースラインモデルどんな回帰タスクでも、最初のモデルは線形回帰であるべきです——シンプルで解釈可能
ニューラルネットワークの最終層多くのネットワークの出力層は線形層です——本質的には線形回帰と同じ
特徴量の重要度分析トレーニング後に W の大きさを確認します——絶対値が大きい特徴量ほど結果への影響が大きい
その他の拡張