【DS検定対策】ロジスティック回帰の核心！「オッズ」と「オッズ比」の計算マスター
確率と似ているようでちょっと違う「オッズ」。そして、2つのグループを比較する「オッズ比」。ロジスティック回帰分析や医療統計の基礎となる、超重要数理コンセプトをスッキリ整理しましょう！
1. 【 問題 】
ある事象が起こる確率を p としたとき、「その事象が起こる確率」と「起こらない確率（1 - p）」の比である「オッズ」を求める数式として、最も適切なものはどれでしょうか？
① p / (1 - p)
② p × (1 - p)
③ (1 - p) / p
④ 1 / p
2. 【 解答 】
3. 整理：「オッズ」と「オッズ比」の具体的な計算方法
言葉だけで考えると混乱しやすいので、具体的な数字（2×2の分割表）を使って一気に脳内を整理しましょう！
【 例：ある新しいWeb広告をクリックした人と、しなかった人のデータ 】
| グループ | クリックした | クリックしなかった |
|---|---|---|
| A：メルマガ経由のユーザー | 15人 (a) | 5人 (b) |
| B：SNS経由のユーザー | 10人 (c) | 20人 (d) |
ステップ1：それぞれの「オッズ」を計算する
オッズとは、「起きた数 ÷ 起きなかった数」（あるいは p / (1 - p)）です。確率のように全体（分母）を足す必要はありません。
・B（SNS）のオッズ ＝ 10人 ÷ 20人 ＝ 0.5 （クリックする確率がしない確率の0.5倍である）
ステップ2：2つのオッズを比較して「オッズ比」にする
オッズ比（Odds Ratio）は、文字通り「オッズの比（割り算）」です。今回は「Bに対するAのオッズ比」を計算してみます。
★ 結果の解釈：
オッズ比が「6」ということは、「メルマガ経由のユーザーは、SNS経由のユーザーに比べて、広告をクリックするオッズが6倍高い」と言えます。もしオッズ比が「1」なら両グループに差はなく、「1未満」なら逆の効果（下がる）を意味します。
試験で使える最強の裏技「クロス積」
分割表のアルファベット（a, b, c, d）を使ってオッズ比を求める場合、実は「斜めに掛け算して割る（ (a × d) / (b × c) ）」だけで一発で計算できます！
数式： (15 × 20) / (5 × 10) = 300 / 50 = 6
試験本番で時間が足りない時は、このクロス積を使って3秒で解きましょう！
5. DS検定形式：実戦4択クイズ
問：機械学習において、二値分類（はい/いいえ）を予測する「ロジスティック回帰モデル」について述べた文として、最も適切なものはどれか。
① 目的変数のオッズに対して自然対数をとった「対数オッズ（ロジット）」を、説明変数の線形結合（直線）で表すモデルである。
② 予測値としてオッズそのものをそのまま出力するため、出力値の範囲は 0 から 1 の間に限定される。
③ 説明変数を高次元の空間に写像するために、カーネル関数を内部で必ず用いるノンパラメトリックなモデルである。
④ 決定木を直列に繋いで前のモデルの誤差を順番に修正していく、バギングの一種である。
【 正解： ① 】
解説： ロジスティック回帰モデルの数理定義そのものです。 ロジスティック回帰は、確率 p をそのまま直線で予測しようとすると「100%を超える」「マイナスになる」という矛盾が起きるため、まず確率を**オッズ（ p / (1 - p) ）**に変換し、さらにそれを対数（log）に変えた**「対数オッズ（ロジット）」**を直線で予測します。これを確率に戻すために使うのが、あの有名な「シグモイド関数」です。すべての数理が一本の線で繋がりましたね！
6. まとめ
DS検定や統計学の試験において「事象が発生する確率 / 発生しない確率」と聞かれたら「オッズ」、「オッズ同士を比較したもの」と言われたら「オッズ比」です。 実務のデータ分析でも、機械学習モデル（ロジスティック回帰）の係数を解釈する際のベースとなる超必須知識ですので、クロス積の裏技とセットで確実に得点源にしていきましょう！
