小林聡美
名前：小林 聡美（こばやし さとみ） ニックネーム：さと・さとみん 年齢：25歳 性別：女性 職業：季節・暮らし系ブログを運営するブロガー／たまにライター業も受注 居住地：東京都杉並区・阿佐ヶ谷の1Kアパート（築15年・駅徒歩7分） 出身地：長野県松本市（自然と山に囲まれた町で育つ） 身長：158cm 血液型：A型 誕生日：1999年5月12日 趣味： ・カフェで執筆＆読書（特にエッセイと季節の暮らし本） ・季節の写真を撮ること（桜・紅葉・初雪など） ・和菓子＆お茶めぐり ・街歩きと神社巡り ・レトロ雑貨収集 ・Netflixで癒し系ドラマ鑑賞 性格：落ち着いていると言われるが、心の中は好奇心旺盛。丁寧でコツコツ型、感性豊か。慎重派だけどやると決めたことはとことん追求するタイプ。ちょっと天然で方向音痴。ひとり時間が好きだが、人の話を聞くのも得意。 1日のタイムスケジュール（平日）： 時間 行動 6:30 起床。白湯を飲んでストレッチ、ベランダから天気をチェック 7:00 朝ごはん兼SNSチェック（Instagram・Xに季節の写真を投稿することも） 8:00 自宅のデスクでブログ作成・リサーチ開始 10:30 近所のカフェに移動して作業（記事執筆・写真整理） 12:30 昼食。カフェかコンビニおにぎり＋味噌汁 13:00 午後の執筆タイム。主に記事の構成づくりや装飾、アイキャッチ作成など 16:00 夕方の散歩・写真撮影（神社や商店街。季節の風景探し） 17:30 帰宅して軽めの家事（洗濯・夕飯準備） 18:30 晩ごはん＆YouTube or Netflixでリラックス 20:00 投稿記事の最終チェック・予約投稿設定 21:30 読書や日記タイム（今日の出来事や感じたことをメモ） 23:00 就寝前のストレッチ＆アロマ。23:30に就寝
偏差平方和と残差平方和の違いを徹底解説：中学生にも伝わるやさしいポイント
データのばらつきを数値で把握するためには全体の変動とその中で説明できる部分と説明できない部分に分ける考え方が必要です この考え方を支えるのが 偏差平方和 と 残差平方和 です 偏差平方和はデータそれぞれの値と全体の平均とのずれを二乗して足し合わせたものです つまりデータ全体のばらつきを表します 一方で 残差平方和 は予測モデルが出した値と実際の観測値とのずれを二乗して足し合わせたものです 予測がどれくらい正確かを示す指標として使われます この2つの関係を知ると回帰分析の意味が見えやすくなります SST はデータの総変動を示し SSE はそのうちの説明されていない変動を示します 二つを合わせると SST が成り立ちます 具体的には SST = SSR + SSE という式で表されます SSR は説明された変動の部分です これを理解していくとデータの意味をもっと正しく読み解く力がつきます
基本概念の整理
偏差平方和とはデータのばらつきを測る基本的な指標です
データのそれぞれの値 y_i と平均 y_mean との差を計算し その差を二乗して全て足し合わせます
この合計が SST にあたり データ全体の変動量を表します
対して 残差平方和 SSE はモデルが予測した値 ŷ_i と実測値 y_i の差を二乗して足し合わせたものです
SSE が小さいほどモデルの予測がデータをよく説明していることを意味します
回帰分析では SST を基準に SSE を見ることで説明力がどれだけあるかを判断できます
実務での使い方と具体例
実務ではまずデータの全体の変動を SST として把握します 次に回帰モデルを作って予測値 ŷ_i を出します その後 SSE を計算してどれだけの変動がモデルで説明できるかを確かめます
この作業を通じて R² と呼ばれる指標が導かれます R² は SSR/SST あるいは 1 - SSE/SST で表され 説明力の割合を示します
重要なのは SSE が小さく SST が大きいほど良いモデルだという点です
以下の表は用語と公式の整理です
今回の小ネタは偏差平方和の深掘りです 似た言葉に残差平方和があり こちらはモデルのずれを表すと覚えると混同を避けられます ぼくたちがリンゴの木を例にして考えると 全体のばらつきを root に見立て そこからどれだけ実際の果実が外れているかを示すのが SSE です 一方で偏差平方和は全データのばらつきの大きさそのものを測ります つまり SST がデータの総ボリューム SSR がデータがうまく説明されている量 SSE がうまさを裏付けない変動を示すのです こうして SST が SSR と SSE の和になることを知ると 数字だけではなくデータの話が立体的に見えてきます
次の記事： 終点と終電の違いを徹底解説！中学生にも分かる使い分けガイド »
の人気記事
