2値分類問題を学ぼう
線形回帰: 連続的な値を予測（例: 身長から体重を予測）
ロジスティック回帰: カテゴリ（クラス）を予測（例: メールがスパムかどうか）
💡 線形回帰は「どのくらい？」に答えますが、ロジスティック回帰は「どちらに分類される？」に答えます
線形回帰の結果（-∞〜+∞）を確率（0〜1）に変換するため
📈 S字カーブで滑らかに0から1へ変化
損失関数は、モデルの予測がどれだけ間違っているかを数値化したものです
Log Loss（対数損失）:
🎯 学習の目標：この損失を最小化すること
キャンバスをクリックして、2つのクラスのデータポイントを追加します。
💡 ヒント: 2つのクラスがある程度離れていると、境界線が見やすくなります
勾配降下法を使ってモデルを学習します。
💡 勾配降下法とは？
山登りの逆で、谷底（損失が最小）を目指して少しずつ降りていく方法です。 各イテレーションで、「どの方向に進めば損失が減るか」を計算して、係数を更新します。
1. モデル学習: 最適な境界線を見つけます
2. 決定境界: 2つのクラスを分ける線（確率50%の線）
3. 確率分布: 各位置での分類確率を色で表示
📊 学習中、右側の「学習の進行」グラフで損失関数が減っていく様子を観察できます
学習したモデルで新しいデータポイントがどちらのクラスに分類されるか予測します。
X, Y座標を入力: キャンバス上の任意の位置
確率を確認: そこがクラス1である確率（0〜100%）
判定基準: 50%以上ならクラス1、未満ならクラス0
💡 ヒント: 決定境界（点線）の近くでは確率が50%に近くなります
損失関数（Log Loss）とは？
モデルの予測が正解からどれだけズレているかを示す指標です。 値が小さいほど、予測精度が高いことを意味します。
📊 グラフが下に向かって収束していれば、学習が成功しています。
モデルを学習してください
\[ P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \beta_2 x_2)}} \]
式の意味:
• β₀, β₁, β₂: 学習で求める係数
• x₁, x₂: 入力データ（X座標、Y座標）
• P(Y=1|X): クラス1である確率
モデルを学習してください
z = 0.00
σ(z) = 0.50
z = β₀ + β₁x₁ + β₂x₂ の線形結合の結果
データを追加してください