Pythonで線形回帰分析をやってみよう【scikit-learn入門・2026年最新版】

🎯 はじめに

「線形回帰、Excelでは試したけど次はPythonでやってみたい」「scikit-learnって難しそう…」

そう思っている人、安心してね。実はscikit-learnでの線形回帰は、たった数行のコードで実装できるほどシンプルなんだ。Excelで基礎が分かっていれば、Pythonへの移行はそれほど難しくないよ。

ルミィ

ルミィ

この記事では「Pythonで線形回帰をやってみたい」人向けに、scikit-learnを使った実装手順を一歩ずつ解説していくよ。コードもコピペで動くから、読みながら手を動かしてみてね！

📊 なぜPythonで線形回帰をやるの？

Excelとの違い・メリット

• 大量データに強い：数十万行・数百万行も問題なく処理できる
• 再現性が高い：コードを保存しておけば、何度でも同じ分析を再現できる
• 自動化できる：定期的な分析やバッチ処理に組み込める
• 発展性が高い：ランダムフォレスト・ニューラルネットなど、他の機械学習手法にも同じ流れで進める
• 無料で使える：scikit-learn・pandas・matplotlibなど、すべて無料

ルミィ

ルミィ

Excelは「探索的に試してみる」場面では最強だけど、本格的な分析や繰り返し実行が必要になるとPythonに軍配が上がるよ。両方を使い分けられるようになると、データ分析の選択肢がグッと広がるんだ。

scikit-learnって何？

scikit-learn（サイキット・ラーン）は、Pythonで機械学習を扱う際の業界標準ライブラリだよ。

• 線形回帰・決定木・ランダムフォレスト・SVMなど、主要な機械学習手法を網羅
• シンプルで統一されたインターフェース（fit → predict の流れ）
• 世界中の研究・実務で広く使われており、情報も豊富
• 無料・オープンソース

🚀 実行環境を準備しよう

おすすめ：Google Colabが一番ラク

「インストールが面倒…」って人には、Googleが提供するGoogle Colabが断然おすすめだよ。ブラウザでアクセスするだけで、Pythonと必要なライブラリが全部入った環境がすぐ使えるんだ。

• Googleアカウントがあれば無料で利用可
• インストール作業ゼロ
• scikit-learn・pandas・matplotlibなどがプリインストール済み
• GPU/TPUも無料で使える（高度な分析時）

ブラウザで「Google Colab」と検索 → 新規ノートブックを作成、で準備完了。

ルミィ

ルミィ

初めてPythonに触る人は、迷わずGoogle Colabがおすすめ！環境構築でつまずくのが学習の最大の壁だから、それを丸ごとスキップできるのは大きなメリットだよ。

ローカル環境で動かす場合

自分のPCで動かしたい人は、以下のいずれかでOK。

• Anaconda：機械学習用ライブラリが一括インストールされる定番ディストリビューション
• Jupyter Notebook：ブラウザベースで対話的にコードを書ける
• VS Code + Python：軽量で柔軟、本格的に開発したい人向け

💻 scikit-learnで線形回帰を実装してみよう【実践編】

ルミィ

ルミィ

ここからは実際にコードを動かしていくよ。コピペで動くようになっているから、自分の環境で試しながら読み進めてね！

ステップ1：必要なライブラリをインポート

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

それぞれの役割：

• numpy：数値計算ライブラリ
• pandas：データフレーム操作
• LinearRegression：線形回帰モデル本体
• train_test_split：データを訓練用とテスト用に分割
• mean_squared_error / r2_score：モデルの評価指標

ステップ2：サンプルデータを作る（または読み込む）

まずは小さな例で動作確認してみよう。

# サンプルデータ：勉強時間と試験点数の関係
data = {
    '勉強時間': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    '点数': [50, 55, 65, 70, 75, 80, 82, 88, 90, 95]
}
df = pd.DataFrame(data)
print(df)

もちろん、自分のCSVファイルを読み込むこともできるよ。

# CSVファイルから読み込む場合
df = pd.read_csv('your_data.csv')
df.head()

ステップ3：説明変数（X）と目的変数（y）に分ける

X = df[['勉強時間']]  # 説明変数（2次元にするためダブル[[]]）
y = df['点数']        # 目的変数

ルミィ

ルミィ

ここで X はダブル角括弧、y はシングル角括弧で囲むのがポイント。Xは「複数列を入れることがある」前提で2次元配列にする必要があるんだ。これを忘れるとエラーになるから注意してね！

ステップ4：訓練データとテストデータに分割

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

test_size=0.2 で「データの20%をテスト用に分ける」という意味。random_state=42 はランダム性を固定するためのおまじないだよ。

ステップ5：モデルの作成と学習

# モデルを作成
model = LinearRegression()

# 訓練データで学習
model.fit(X_train, y_train)

print('係数（傾き）:', model.coef_)
print('切片:', model.intercept_)

たった3行で線形回帰の学習が完了！scikit-learnのfit()メソッドが、内部で最適な係数を計算してくれるんだ。

ルミィ

ルミィ

ここまでで基本実装はOK！「Pythonで機械学習って意外と簡単じゃん」って感じたかな？もっと色んな手法を試してみたい人には、下の本がおすすめ。Excelで体験する内容だけど、機械学習の全体像をつかむのに最適な1冊なんだ。

📚 機械学習の全体像をつかみたい人へ
線形回帰の先にある決定木・クラスタリング・分類問題まで、Excelで直感的に体験できる定番書。Python学習の前後で読むと理解が深まるよ。

直感でわかる! Excelで機械学習

Amazon

楽天市場

Yahooショッピング

ポチップ

ステップ6：予測する

# テストデータで予測
y_pred = model.predict(X_test)

# 結果を比較
results = pd.DataFrame({
    '実測値': y_test,
    '予測値': y_pred
})
print(results)

ステップ7：モデルを評価する

# 平均二乗誤差（MSE）
mse = mean_squared_error(y_test, y_pred)
print('MSE:', mse)

# 決定係数（R²）
r2 = r2_score(y_test, y_pred)
print('R²:', r2)

• MSE：予測誤差の二乗の平均（小さいほど良い）
• R²：モデルの説明力（1に近いほど良い、0.7以上で実用的）

🔧 重回帰分析もPythonで一発

説明変数を増やせば、そのまま重回帰分析になるよ。コードはほぼ同じで、Xの列を増やすだけ。

# 例：複数の説明変数で予測
X = df[['勉強時間', '出席率', '前回点数']]  # 3つの変数
y = df['点数']

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

model = LinearRegression()
model.fit(X_train, y_train)

# 各変数の係数を表示
for name, coef in zip(X.columns, model.coef_):
    print(f'{name}: {coef:.2f}')
print('切片:', model.intercept_)

ルミィ

ルミィ

Pythonの強みはここから！変数を10個でも100個でも、同じコードでサッと処理できるんだ。Excelだとデータ範囲を選び直す必要があるけど、Pythonなら列名のリストを変えるだけで済むよ。

📈 結果の可視化

matplotlibを使えば、予測結果の可視化も簡単にできるよ。

import matplotlib.pyplot as plt

# 散布図と回帰直線
plt.scatter(X_test, y_test, label='実測値', color='blue')
plt.plot(X_test, y_pred, label='予測値', color='red')
plt.xlabel('勉強時間')
plt.ylabel('点数')
plt.title('線形回帰の予測結果')
plt.legend()
plt.show()

実測値（青）と予測線（赤）を重ねて表示することで、モデルがどれくらい当てはまっているかを直感的に確認できるよ。

⚠️ よくあるエラーと対処法

エラー1：「Found input variables with inconsistent numbers of samples」

Xとyの行数が一致していないときに出るエラー。データを確認して、両方の長さを揃えよう。

エラー2：「Expected 2D array, got 1D array instead」

Xを df['col']（シングル角括弧）で渡すと出るエラー。df[['col']]（ダブル角括弧）か X.values.reshape(-1, 1) を使おう。

エラー3：「ValueError: could not convert string to float」

カテゴリ変数（文字列）が含まれているとき。pd.get_dummies() でダミー変数化してから渡そう。

# カテゴリ変数のダミー化
X = pd.get_dummies(df[['性別', '学年']], drop_first=True)

🌍 モデル改善のヒント

1. 特徴量エンジニアリング

• 変数の対数化・標準化
• 変数同士の組み合わせ（積・比）
• 時系列データの場合は曜日・月などの時間的特徴量を追加

2. 外れ値・欠損値の処理

• df.dropna() で欠損値を削除
• df.fillna(df.mean()) で平均値補完
• 箱ひげ図やZ-scoreで外れ値を検出

3. より高度なモデルへの拡張

• リッジ回帰（Ridge）：過学習を防ぐ正則化付き線形回帰
• ラッソ回帰（Lasso）：自動で重要変数を選択
• 決定木・ランダムフォレスト：非線形な関係も捉えられる

scikit-learnなら、これらすべてが 同じ fit/predict のお作法で扱えるよ。線形回帰のコードを書ければ、他のモデルにもすぐ移行できるんだ。

ルミィ

ルミィ

Pythonでの線形回帰、思ったより手軽だったでしょ？「もっと体系的に機械学習を学びたい」って思った人には、下の本がおすすめだよ。Excelの内容だけど、機械学習の考え方がスッと入ってくる構成になっているんだ。

💼 機械学習の全体観を身につけたい人へ
Excelで機械学習の代表的な手法を体験できる定番書。Pythonに進んだ後で読むと、コードの裏にある考え方の理解が深まるよ。

直感でわかる! Excelで機械学習

Amazon

楽天市場

Yahooショッピング

ポチップ

❓ よくある質問（FAQ）

Q1. Excelでできるなら、わざわざPythonを学ぶ意味はある？

「1回限りの分析」ならExcelで十分。でも「同じ分析を毎月実行したい」「数万行以上のデータを扱う」「他の機械学習手法にも発展させたい」場合はPythonが圧倒的に有利だよ。両方使い分けるのがベストだね。

Q2. プログラミング初心者でも大丈夫？

Python基本文法（変数・リスト・関数）と、pandasの基本操作が分かれば十分実装できるよ。むしろ「線形回帰をやりたい」という具体的な目的があると、Python学習が一気に進むからおすすめ！

Q3. PyCharmやJupyterなど、どのエディタを使えばいい？

初心者ならGoogle Colab（インストール不要）が最強。慣れてきたらJupyter Notebook（対話的）かVS Code（本格開発）に移行するのがおすすめだよ。

Q4. データが少なすぎる（10行とか）と動かない？

動かないわけじゃないけど、信頼性が低くなるよ。最低でも30行、理想的には説明変数の数×10倍以上のサンプル数があると安心。少ないデータでは交差検証（cross_val_score）を使うのも手だよ。

Q5. リッジ回帰やラッソ回帰はどう使い分ける？

過学習を抑えたいだけならRidge、不要な変数を自動で削除したいならLassoが目安。両方の良いとこ取りがElasticNet。データの状況に応じて試行錯誤するのが一般的だよ。

Q6. PythonでExcelデータも読めるの？

読めるよ。pd.read_excel('file.xlsx') でExcelファイルを直接読み込めるんだ。Excel→Python→分析→結果をExcelに書き戻す、みたいな流れも可能だよ。

🎉 まとめ

Pythonとscikit-learnを使えば、たった数行のコードで線形回帰が実装できるよ。

今回学んだこと：

• scikit-learnの基本的な使い方（import → fit → predict）
• 訓練データとテストデータの分割
• モデル評価指標（MSE・R²）の使い方
• 重回帰への自然な拡張
• 可視化と改善のヒント

次のステップ：

• 自分の業務データで実際に分析してみる
• リッジ回帰・ラッソ回帰など正則化手法を試す
• 決定木やランダムフォレストなど、非線形手法へ発展

ルミィ

ルミィ

お疲れさま！Pythonでの線形回帰、ここまで来れば自分のデータで色々試せるはず。「次はどんな手法を学べばいい？」って迷ったら、下の本が良いガイドになるよ。Excelで体験する形式だから、Pythonの背景知識を補強するのにぴったりなんだ。

🚀 機械学習の世界をもっと知りたい人へ
線形回帰の先にある手法を、Excelで直感的に学べる定番書。Pythonでコードを書く前に概念を整理したい人にもおすすめだよ。

直感でわかる! Excelで機械学習

Amazon

楽天市場

Yahooショッピング

ポチップ

ルミィ

AIナビゲーター

YouTube

ChatGPTにハマってから毎日AIを触り続けるブログ運営者。最新AIツールを初心者目線で発信しています。YouTubeでも解説動画を投稿中！