最小二乗法 (線形回帰) 計算機

最小二乗法とは？：ばらつきの中に「秩序」を見つける

現実のデータは、数学の教科書のように綺麗な直線上に並ぶことは稀です。売上データ、気温の変化、実験の結果……それらは常にランダムなノイズを含んでバラついています。

**最小二乗法（Least Squares Method）**は、そのようなバラついた点（散布図）に対して、「最も誤差が少なくなるように直線を引く」ための数学的な手法です。引かれた直線は「回帰直線」と呼ばれ、データ全体のトレンドを代表する最も強力な武器となります。

回帰方程式 $y = ax + b$ の読み解き方

この計算機が導き出す方程式には、2つの重要な意味が込められています。

• $a$ (回帰係数/傾き): $x$ が1増えたときに、$y$ がどれくらい変化するかを示します。ビジネスなら「広告費を1万円増やすと売上が何万円増えるか」という効率性を表しています。
• $b$ (切片): $x$ が0のとき、つまり「何もしないとき」の初期値を示します。

モデルの品質を測る：r と R²

直線を引くだけでは不十分です。その直線がどれくらい「信用できるか」を知る必要があります。

1. 相関係数 (r)

-1から1の間で表されます。1に近いほど「強い正の相関」があり、-1に近いほど「強い負の相関」があります。0に近い場合は、残念ながら2つのデータに関連性はほとんどないと言えます。

2. 決定係数 (R²)

「その直線がどれくらいデータを説明できているか」を示し、通常は0〜1（0〜100%）で表されます。例えば $R^2 = 0.9$ ならば、データの変動の90%をこの回帰方程式で説明できることを意味し、非常に予測精度の高いモデルであると言えます。

最小二乗法の具体的な活用シーン

需要予測と在庫管理

過去の販売数から季節性やイベントなどの $x$ を代数として使い、翌月の需要を予測します。これにより、過剰在庫のリスクを減らすことができます。

科学実験と品質管理

部品の摩耗時間と使用回数の関係を数値化し、故障が発生するタイミングを事前に予測する「予防保全」に活用されます。

不動産価格の推定

「築年数」や「駅からの距離」と「価格」の関係を回帰分析することで、市場における適正な価格を論理的に算出できます。

まとめ

最小二乗法は、データサイエンスやAI（機械学習）の最も基礎となるアルゴリズムです。まずは本ツールを使って、手元のデータを「可視化」し、「言語化（方程式化）」することから始めてみてください。数字の羅列だったものが、意味のある物語として見えてくるはずです。

よくある質問 (FAQ)