回帰モデル

PyTorchにおける回帰モデル（regression model）は、入力データから連続値（実数値）を予測するためのモデルです。たとえば、家の価格、温度、株価などを予測するタスクで利用されます。分類モデルとは異なり、出力はカテゴリではなくスカラーやベクトルの実数値となります。

以下では、PyTorchで回帰モデルを構築・学習・評価するための主要なステップを詳しく解説します。

1. データの準備

回帰モデルでは、入力 X に対して実数値のターゲット y をペアで持つデータセットを用意します。

python
import torch
from torch.utils.data import Dataset

class RegressionDataset(Dataset):
    def __init__(self, X, y):
        self.X = torch.tensor(X, dtype=torch.float32)
        self.y = torch.tensor(y, dtype=torch.float32)

    def __len__(self):
        return len(self.X)

    def __getitem__(self, idx):
        return self.X[idx], self.y[idx]

2. モデルの定義（nn.Module）

回帰モデルでは、通常、最後の層に活性化関数を使わずに出力することで、制約のない連続値を予測します。

python
import torch.nn as nn

class RegressionModel(nn.Module):
    def __init__(self, input_dim):
        super().__init__()
        self.linear = nn.Sequential(
            nn.Linear(input_dim, 64),
            nn.ReLU(),
            nn.Linear(64, 1)  # 出力は1次元（スカラー）
        )

    def forward(self, x):
        return self.linear(x)

3. 損失関数とオプティマイザの設定

回帰問題では主に**平均二乗誤差（MSE）**が用いられます。

python
model = RegressionModel(input_dim=10)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

4. 学習ループ

エポック毎に予測を行い、損失を計算してパラメータを更新します。

python
for epoch in range(100):
    model.train()
    total_loss = 0.0
    for X_batch, y_batch in dataloader:
        optimizer.zero_grad()
        outputs = model(X_batch).squeeze()  # 出力の形状調整
        loss = criterion(outputs, y_batch)
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    print(f"Epoch {epoch}: Loss = {total_loss:.4f}")

5. 評価指標

回帰モデルの評価には以下がよく使われます：

  • MSE（Mean Squared Error）

  • RMSE（Root Mean Squared Error）

  • MAE（Mean Absolute Error）

  • R²スコア（決定係数）

python
from sklearn.metrics import mean_squared_error, r2_score

model.eval()
with torch.no_grad():
    y_pred = model(X_test_tensor).squeeze().numpy()
    y_true = y_test_tensor.numpy()

print("MSE:", mean_squared_error(y_true, y_pred))
print("R²:", r2_score(y_true, y_pred))

6. 応用例

  • 不動産価格の予測（入力: 間取り・築年数・面積 → 出力: 価格）

  • 気温予測（入力: 時刻・場所・過去の温度 → 出力: 将来の温度）

  • 売上予測（入力: プロモーションデータ・季節性 → 出力: 数値）

補足：出力層と活性化関数の注意点

分類モデルと異なり、回帰モデルでは出力層に活性化関数を使わないのが基本です。ただし、特定の範囲に出力を制限したい場合は、sigmoid や softplus などを使うこともあります。

生成日：2025/05/22