ある物流企業が、配送1件あたりの所要時間を距離・交通量・天候などの特徴量から予測するモデルを構築したいと考えています。求める出力は「45.3分」のような具体的な連続値です。この課題に最も適した機械学習のアプローチはどれで

Question

ある物流企業が、配送1件あたりの所要時間を距離・交通量・天候などの特徴量から予測するモデルを構築したいと考えています。求める出力は「45.3分」のような具体的な連続値です。この課題に最も適した機械学習のアプローチはどれですか。

Accepted Answer

正解: 回帰（Regression）。連続的な数値を予測する教師あり学習として実装する。出力が連続的な数値（分）である予測課題は、回帰（Regression）として扱うのが適切。
回帰は教師あり学習の一種で、距離・交通量・天候などの特徴量から任意の実数値ターゲットを学習し、連続値を出力できる。

選択肢Bの二項分類は「遅延する／しない」のカテゴリ出力で連続値を予測できない。
選択肢Cの多クラス分類は時間帯カテゴリへの離散化が必要で精密な数値予測ができない。
選択肢Dのクラスタリングは目的変数を予測しない教師なし学習であり用途が異なる。

Answer

二項分類（Binary Classification）。配送が遅延するか否かの2クラスに分類する — 二項分類は「遅延する／しない」のような2つの離散クラスを予測する手法で、出力はカテゴリラベルになる。連続値である具体的な所要時間（分）をそのまま予測することはできず、要件と一致しない。

Answer

多クラス分類（Multiclass Classification）。所要時間帯を複数のカテゴリに分類する — 多クラス分類は所要時間を「30分台」「40分台」のような離散カテゴリに区切る必要があり、連続値の精密な予測ができない。カテゴリ化により情報が失われ、「45.3分」という数値出力の要件を満たさない。

Answer

クラスタリング（Clustering）。配送データを類似グループに教師なしで分割する — クラスタリングはラベルなしデータを類似性で自動グループ化する教師なし学習で、所要時間という目的変数を予測する用途ではない。正解ラベル（実測時間）を用いた数値予測には適さず、要件と異なる。

解説