決定係数（R²）とは？

R²は「答えに近づけた割合」のこと

たとえば、あなたが毎朝「何分前に起きれば遅刻しないか」を調べたとします。寝る時間、前日の残業、交通混み具合など、さまざまな手がかりから出発時刻を推測できますね。そのとき、R²（アールスクエア）は「その手がかりが、遅刻しない時刻の変化のうち何割を説明できたか」を0.00〜1.00で表す数字です。

つまり、決定係数（R²）は、実際の値のばらつきに対して、モデルがどれほど説明できたかを割合で表す指標です。

ここでの「ばらつき」は、結果が自然に揺れ動くことです。たとえば商品の売上は、気候、価格、SNSの話題、競合のキャンペーンなどで揺れます。R²が高いほど、その揺れのうち多くが「選んだ説明要因」で押さえられているとわかります。

大切なのは、「高い＝完璧」ではなく、「どの程度まで説明できたか」という距離感です。

R²が0.95でも、説明要因が「本当の原因」でなければ、外れることがあります。ここを整理すると、初心者の迷いがかなり減ります。

つまりR²は、スコアというより「説明の広がり」を測る物差しだと考えると見えます。

📚 さらに理解を深めたい方には、G検定の公式テキストがお薦めです！

リンク

G検定やDS検定では、R²を「予測精度の正しさ」と混同しないかが問われやすいです。ITパスポートでも、機械学習の文脈で“説明力”と“誤差”の関係を短く説明できるかが求められます。ここで意識すべきは、R²が説明しているのは「結果のばらつきに対する説明」である、という点です。

この3語を並び立てて言えるようになれば、試験的にも実務的にもR²の立ち位置が定まります。

R²は、モデルの結果を0から1で「説明できた割合」で表す指標です。高いほど結果の揺れを説明している一方で、要因選びや将来への適用は別途判断します。

初心者向け：今週できる5分のアクションは、手元にある2つの数値データ（例：睡眠時間と集中力）で「Aが上がるほどBも上がる」のかメモを1つ書いて、その説明力に0.3〜0.9の感覚をつけます
受験者向け：試験の3語の要点は「ばらつき」「説明」「0〜1」

※ここからは検証コンテンツです。
画像内の説明には誤りが含まれる可能性があるため、本文の解説とは分けています。

決定係数（R²）の「説明できた割合」が円盤の弧で示されており、概念的な印象は伝わりやすいです。一方で、割合の大小が視覚的に弱く、R²の強さを一瞬で判断しにくい点が改善点です。