回帰分析（Regression Analysis）とは、入力変数（説明変数）と出力変数（目的変数）の間の関係をモデル化し、連続的な数値を予測するための統計的・機械学習的手法です。最も基本的な予測手法の一つです。
回帰分析の種類
線形回帰、多項式回帰、リッジ回帰、ラッソ回帰、サポートベクター回帰（SVR）、決定木回帰、ランダムフォレスト回帰、ニューラルネットワーク回帰など、多様な手法があります。
| ひとことで言うと | 説明変数から、売上や価格などの「数値」を予測する分析手法。 |
|---|---|
| どこで使う | 売上予測、需要予測、価格設定、広告効果の測定。 |
| 注意点 | 相関があっても因果があるとは限らない。施策の判断は慎重に。 |
回帰の評価指標
平均二乗誤差（MSE）、平均絶対誤差（MAE）、決定係数（R²）、平均二乗対数誤差（MSLE）などが使用されます。R²は予測がどの程度データの分散を説明できているかを0〜1で表します。
1目的変数を決める予測したい数値
▶
2説明変数を選ぶ影響しそうな要因
▶
3関係式を推定誤差が最小になる係数
▶
4係数を解釈どれがどれだけ効くか
▶
5予測に使う新しい条件で試算
分類との違い
回帰が連続値（住宅価格、気温、売上など）を予測するのに対し、分類は離散的なカテゴリ（スパム/非スパム、犬/猫など）を予測します。タスクの性質に応じて適切な手法を選択します。