Summary  
This chapter explains how to implement simple linear regression by fitting a straight line (y = b + a x) to training data, learning its parameters, and using that line to predict continuous target values.  

General domain of usage  
Real estate price prediction

**回帰**は、監督学習タスクの一つであり、**特徴量**（例：広さ、築年数、場所など）と呼ばれる入力変数の集合に基づいて、**ターゲット**（例：住宅価格など）と呼ばれる数値を予測する手法。

定義

モデルを学習させるためには、特徴量とターゲットの両方を含む多数の住宅の例を用意する必要がある。モデルの学習に使用するこれらの例の集合は、**訓練データセット**と呼ばれる。

回帰タスクを実行できる最も単純なモデルは、**線形回帰**。
この散布図は、ある人の身長とその父親の身長を示している。

## 仕組み
単回帰分析は、データに最も近い直線を当てはめる手法。

## 予測の方法
この直線を使って、新しいデータポイントの目標値を予測できる。
例えば、父親の身長が63.5インチの場合、そのX=63.5に対応する直線上の点を選び、そのy値が予測値となる。
このモデルは、その人の身長を64.3インチと予測する。

## 単回帰方程式
学校で習ったように、直線の関数は **y=b+ax** です。そのため、学習の過程で単回帰分析は、目的の直線を形成するために **a** と **b** にどのような値を割り当てるべきかを学習します。
モデルが学習するこれらの値は **パラメータ** と呼ばれ、今後このコースではパラメータを **a**、**b** の代わりに **𝛽** で表記します。
したがって、単回帰の方程式は次のようになります:

回帰分析において、予測したい値は次のように呼ばれます:

線形回帰は予測分析において重要な概念です。データサイエンティスト、データアナリスト、統計学者によって広く利用されており、構築と解釈が容易でありながら、多くのタスクに十分な強力さを持っています。

最も単純な線形回帰モデルから始めましょう。線形回帰の基本的な考え方と、Pythonで予測を行う方法について学びます。

ほとんどの実世界の予測タスクは複数の特徴量を含みます。複数の特徴量を用いた線形回帰の扱い方を学びます。

直線は常にデータを適切に表現するとは限りません。より複雑な予測モデルの構築方法を学びましょう。これが多項式回帰の適用分野です。

多くの線形回帰モデルを構築できるようになった今、最適なモデルを選択する方法が必要です。これは指標を使用することで実現可能です。本セクションでは、最もよく使われる指標と、それらを使用する際に直面する可能性のある課題について説明します。

線形回帰とは何か

基本概念

仕組み

予測の方法

単回帰方程式

1. 回帰分析において、予測したい値は次のように呼ばれます:

2. 空欄を埋めてください