PythonのTensorFlowで線形回帰を実装する方法：仕組みとサンプルコード解説

TensorFlowは、Googleが提供するオープンソースの機械学習フレームワークです。Pythonと組み合わせて使用することで、各種アルゴリズムやディープラーニングアプリケーションの実装が可能になります。研究用途から本番環境での運用まで幅広く活用されており、複雑な数学的演算を高速に処理するための最適化技術を数多く備えています。内部ではNumPyと多次元配列を利用しており、この多次元配列は「テンソル（tensor）」と呼ばれます。

TensorFlowは深層ニューラルネットワークの構築を強力にサポートします。高い拡張性を持ち、人気の高いデータセットが多数付属しているほか、GPU計算への対応やリソース管理の自動化といった特徴もあります。豊富な機械学習ライブラリが同梱され、ドキュメントも整備されているため、深層ニューラルネットワークモデルの構築・学習を行い、データセットの特性を予測するアプリケーションを効率よく作成できます。

線形回帰とは

線形回帰は、説明変数（入力）と目的変数（出力）の間に直線的な関係があると仮定し、その関係を表す直線をデータから求める手法です。機械学習の中で最も基本的な回帰分析であり、売上予測や価格推定など、さまざまな分野で活用されています。入門者が最初に学ぶことの多いアルゴリズムでもあります。

TensorFlowのインストール方法

Windows環境では、以下のコマンドを実行するだけで「tensorflow」パッケージをインストールできます。

pip install tensorflow

テンソルとは

テンソルはTensorFlowで扱われる基本的なデータ構造です。計算グラフ（データフローグラフ）のノード間をつなぐ役割を担います。実体は多次元配列またはリストであり、スカラー（0次元）、ベクトル（1次元）、行列（2次元）など、任意の次元のデータを柔軟に表現できます。

線形回帰の実装例

以下は、TensorFlow 2.xを使って線形回帰を実装したサンプルコードです。

def linear_reg(x):
    return A * x + b

def mean_square_error(y_pred, y_true):
    return tf.reduce_mean(tf.square(y_pred - y_true))

optimizer = tf.optimizers.SGD(learning_rate)

def run_optimization():
    with tf.GradientTape() as g:
        pred = linear_reg(X)
        loss = mean_square_error(pred, Y)
    gradients = g.gradient(loss, [A, b])
    optimizer.apply_gradients(zip(gradients, [A, b]))

コード引用元：GitHub – TensorFlow Examples

処理の流れと出力

定義した線形回帰関数をデータに対して呼び出し、最適なデータポイントが計算された後、平均二乗誤差（MSE）が算出されます。さらに勾配降下法を用いて最適な重みを求め、その値がコンソールに表示されます。

コードの解説

• 重み（weight）とバイアス（bias）の値は最初にランダムに初期化され、学習が完了すると最適な値へと更新されます。
• 線形方程式の一般形は「Ax + b」で表され、「A」が重み、「b」がバイアスに相当します。
• 予測値と実際の値のずれを測るため、平均二乗誤差を計算する関数を定義しています。
• パラメータを更新するためのオプティマイザとして、確率的勾配降下法（SGD）を設定しています。
• 最適化用の関数では、tf.GradientTapeを使って損失の勾配を自動計算し、重みとバイアスの値を更新します。
• 上記の一連の処理を指定したステップ数だけ繰り返すことで、データの学習を進めていきます。