この記事は

TensorFlow（tf.keras）を使って、

線形回帰モデル
DNN 回帰モデル

の２つの手法を比較し、実装例を通して違いを解説します。

概要

2つの手法の違い

線形回帰
- モデル構造：入力→出力の１層のみ
- 表現力：関数形は常に $y = w x + b $の直線
- 長所：計算コストが低く、結果の解釈が容易
- 短所：非線形データに適用すると誤差が大きくなる
DNN 回帰
- モデル構造：隠れ層＋活性化関数を複数重ねたネットワーク
- 表現力：非線形関数を近似できる（多項式項や複雑曲線を学習）
- 長所：非線形性の強いデータに対して高精度
- 短所：パラメータ数が増え、過学習リスクやチューニングが必要

サンプルデータの作成

import numpy as np

# 再現性のためのシード固定
np.random.seed(0)

# データ数と入力値
N = 1000
x = np.random.rand(N, 1).astype(np.float32)

# 真の関数：y = 5x + 3x^2 + ノイズ
y = 5 * x + 3 * x**2 + np.random.randn(N, 1).astype(np.float32) * 0.05

# 訓練／テスト分割（80%/20%）
indices = np.arange(N)
np.random.shuffle(indices)
split = int(N * 0.8)
train_idx, test_idx = indices[:split], indices[split:]
X_train, X_test = x[train_idx], x[test_idx]
y_train, y_test = y[train_idx], y[test_idx]

線形回帰の場合

import tensorflow as tf
from tensorflow.keras import layers

# モデル定義：Dense(1) のみ
linear_model = tf.keras.Sequential([
    layers.Dense(1, input_shape=(1,))
])

# コンパイル：最適化は SGD、損失は MSE
linear_model.compile(
    optimizer='sgd',
    loss='mse',
    metrics=['mse']
)

# 学習
history_lin = linear_model.fit(
    X_train, y_train,
    epochs=100,
    batch_size=32,
    validation_split=0.2,
    verbose=0
)

# テスト評価
mse_lin = linear_model.evaluate(X_test, y_test, verbose=0)[0]
print(f"Linear Regression Test MSE: {mse_lin:.4f}")

ポイント：隠れ層を持たないので、出力は必ず直線。
結果：非線形項を捉えられず、MSE は高め。

DNN回帰の場合

# モデル定義：隠れ層2層＋ReLU活性化
dnn_model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(1,)),
    layers.Dense(64, activation='relu'),
    layers.Dense(1)  # 出力は線形
])

# コンパイル：最適化は Adam、損失は MSE
dnn_model.compile(
    optimizer='adam',
    loss='mse',
    metrics=['mse']
)

# 学習
history_dnn = dnn_model.fit(
    X_train, y_train,
    epochs=100,
    batch_size=32,
    validation_split=0.2,
    verbose=0
)

# テスト評価
mse_dnn = dnn_model.evaluate(X_test, y_test, verbose=0)[0]
print(f"DNN Regression Test MSE: {mse_dnn:.4f}")

ポイント：隠れ層＋ReLU によって非線形変換を学習。
結果：複雑な関数形を近似でき、MSE は線形回帰より小さくなる。

まとめ

線形回帰
- シンプルで解釈性が高い
- 非線形関係を表現できず、複雑データでは性能が限られる
DNN 回帰
- 高い表現力で非線形データに強い
- パラメータ数が多く、過学習対策やハイパーパラメータ調整が必要

用途やデータの性質に合わせて、適切な手法を選択してください。