ロジスティック回帰モデルとは

概要

主に、「0と1」「陽性と陰性」「真と偽」などの2クラス分類をするための分析モデルです。また、解釈が比較的容易なモデルであるため、実務に活用されやすいモデルの一つです。
※名前に「回帰」とありますが、実際には「分類」のタスクを扱うことに注意が必要です。

シグモイド関数

「0～1」の範囲に収まる値を返してくれる関数で、ロジスティック回帰モデルの根幹部分になります。入力値（x）はシグモイド関数の結果に与える影響は、次のとおりです。

⇩式はこちら

$$
S(x)= \frac{1}{1+e^{-x}}
$$

活用場面

１．商品の購買予測

「顧客の属性」「過去の購買履歴」「市場の現状」などの情報を使って、「この人は何をいつ買いそうか」を予測できます。これによって、商品の在庫管理の効率化や顧客へのアプローチのタイミングを最適化することができます。

・AIによる購買予測とは？導入メリットや課題について徹底解説| 顧客エンゲージメントプラットフォームBraze（ブレイズ)

２．サブスクリプションサービスの継続予測

「顧客の属性」「嗜好」「市場の傾向」などの情報を使って、「この人は1カ月以内にサブスクを解約しそうか」を予測できます。これによって、顧客のニーズに合わせた的確なプランやサービスの提供が可能になり、顧客ロイヤルティの向上につなげることができます。

・サブスクビジネスの成功を導くAI予測　退会傾向を予測しサービスの質向上へ | AI予測さくらさん | AIさくらさん (tifana.ai)

３．病気の予測

「性別」「年齢」「体重」などの健康診断データを使って、「将来、この人が病気になりそうか」を予測することができます。これによって、病気になる前にリスクを数値化し、生活習慣の改善につなげることができます。

・疾病リスク予測AIサービス | 東芝デジタルソリューションズ (global.toshiba)

４．不正の検知予測

「顧客の取引データ」「アクティビティのデータ」などのデータを使い、「この人が不正をしそうか」を予測することができます。これによって、不正に素早く対応できるようになったり、不正検知の業務を効率化することができます。

・AI 不正・リスク検知サービス for アンチ・マネーローンダリング（AML） : FinTech |NEC
・AIが不正検知にも進出？メリットや注意点、ソリューション事例をご紹介 - 不正検知Lab -フセラボ- by cacco

Pythonでの実装

Pythonのコードと使用するデータ

今回は、scikit-learnライブラリに入っている、の乳がん検査のデータセット（load_breast_cancer）を用います。

# インポート
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

# データセットの読み込み
data = load_breast_cancer()

# 特徴量とターゲットに分割
X = data.data
y = data.target

# データを訓練セットとテストセットに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ロジスティック回帰モデルのインスタンスを作成
model = LogisticRegression()

# モデルの訓練
model.fit(X_train, y_train)

# テストデータに対する予測
predictions = model.predict(X_test)

# モデルの評価
accuracy = accuracy_score(y_test, predictions)
print(f"Accuracy: {accuracy}")

report = classification_report(y_test, predictions)
print(f"Classification Report:\n{report}")

出力結果

Accuracy: 0.956140350877193
Classification Report:
              precision    recall  f1-score   support

           0       0.97      0.91      0.94        43
           1       0.95      0.99      0.97        71

    accuracy                           0.96       114
   macro avg       0.96      0.95      0.95       114
weighted avg       0.96      0.96      0.96       114

正解率（Accuracy）が0.956という結果が出ました。
ロジスティック回帰モデルでは、「正解率」のほかにも、「適合率（precision）」や「再現率（recall）」、「F1-score（f1-score）」などの評価指標が用いられることがあります。
※supportの値は、それぞれのクラスに分類されたデータ数を表しています。

参考文献

・ロジスティック回帰分析とは？使える場面や実装まで徹底解説！ (cacco.co.jp)