【DS検定対策】2値分類の決定打！「ロジスティック回帰とシグモイド関数」の仕組み
データサイエンスにおいて、「メールがスパムかどうか」「顧客が退会するかどうか」といった2択の事象を予測する2値分類手法として最も代表的なのが「ロジスティック回帰分析」です。そして、このモデルの根幹を支えているのが「シグモイド関数」です！
1. 【 問題 】
ロジスティック回帰分析において、入力された実数（-\infty ～ +\infty）を 0 から 1 の範囲（確率値）に変換し、S字型の曲線を描くモデル（活性化関数）として用いられる関数は「【 ? 】関数」でしょうか？
① シグモイド関数（標準ロジスティック関数）
② 恒等関数（Identity Function）
③ ガウス関数（Gaussian Function）
④ ステップ関数（Step Function）
2. 【 解答 】
3. 整理：なぜシグモイド関数が必要なのか？
通常の「線形回帰」と「ロジスティック回帰」の決定的な違いを整理しましょう。
| 手法 | 出力される値の範囲 | 特徴と課題 |
|---|---|---|
| 通常の線形回帰 | マイナス無限大 ～ プラス無限大 （-∞ ～ +∞） |
売上予測など連続値の予測には向くが、確率を予測したい場合に「150%」や「-20%」といった不正な確率値が出てしまう。 |
| ロジスティック回帰 （★今回のテーマ） |
必ず 0 から 1 の間 （0 ≤ P ≤ 1） |
線形回帰の予測値をシグモイド関数に通すことで、滑らかなS字カーブを描いて「0～1の確率」に自動変換する。 |
4. シグモイド関数の特徴とオッズ比
入力（x）が 0 のとき、出力はちょうど 0.5（50%） になります。
x がプラスに大きくなるほど 1 に近づき、マイナスに大きくなるほど 0 に近づきます。
・対数オッズ（ロジット変換）：
確率 P を「起こる確率と起こらない確率の比（オッズ ＝ P / (1 - P)）」にし、その対数を取ったもの（対数オッズ）を線形結合（ax + b）としてモデル化します。
5. DS検定形式：実戦4択クイズ
问：ロジスティック回帰分析およびシグモイド関数に関する記述として、最も適切なものはどれか。
① ロジスティック回帰分析は名前に「回帰」とついているが、主に2値のカテゴリ（クラス）を予測・分類する分類アルゴリズムである。
② シグモイド関数は入力を直線的に変換するため、パラメータの大きさに比例して出力値が無限に大きくなる性質を持つ。
③ シグモイド関数を通した出力値は確率としては解釈できず、データのグループ間の距離（クラスタ距離）を表す指標として使われる。
④ ディープラーニングの非常に深い層（何十層も重ねたネットワーク）において、シグモイド関数は勾配消失問題を完全に防止する理想的な活性化関数として推奨されている。
【 正解： ① 】
解説： ロジスティック回帰とシグモイド関数の性質を正確に理解しているかを問う標準問題です。
①が正解です。名前に「回帰」とついていますが、実質は「2値分類」の代表的なアルゴリズムです。
②無限には大きくならず、0から1の範囲に収まります。
③出力値はそのまま「確率（0～1）」として解釈できます。
④シグモイド関数は微深層で勾配消失を起こしやすいため、ディープラーニングの層間ではReLU関数などが主流です。
6. まとめ
DS検定や資格試験で「ロジスティック回帰」「0から1の確率に変換」「S字型の曲線」といったキーワードが出たら、正解は「シグモイド関数（標準ロジスティック関数）」です！ 2値分類の王道としてしっかり押さえておきましょう！
