予測はなぜ外れるのか: 線形回帰と母系遺伝が教える「残るもの」と「消えるもの」

Hatched by tttt

Jul 22, 2026

1 min read

0 views

87%

いちばん大事なものは、最初から見えていない

同じ特徴を持つ家なのに価格が違う。
同じように見える家系なのに、ある系統だけが現代まで残る。
この二つの現象は、一見まったく別の話に見えます。けれど、どちらも同じ問いにぶつかります。私たちは、本当に「原因」や「起源」を見ているのか、それともたまたま残った痕跡を見ているだけなのか。

この問いは、人工知能にも、統計にも、系譜学にも共通しています。観測できるものは、現実そのものではありません。観測できるのは、入力と出力の関係、あるいは子孫として残った系統だけです。そこには必ず、ノイズ、欠落、選択、偶然が混ざります。

だからこそ、賢い推論とは「当てること」ではなく、何が見えていて、何が見えていないかを見抜くことなのです。

予測モデルは、世界の写し絵ではなく、条件付きの近似である

線形回帰の基本は単純です。キャビンのサイズや水辺への距離を入力として、価格を出力として考える。データから係数を推定し、できるだけ実際の価格に近い予測を作る。ここで重要なのは、モデルが表しているのは「家の本当の価値」そのものではなく、与えられた特徴量だけから見たときの平均的な関係だという点です。

この違いは、見た目以上に大きいです。たとえば、水辺に近い家は高い傾向があるとしても、その影響は家の大きさによって変わるかもしれません。小さな小屋では立地が価格の大半を決める一方、大きな家では床面積が支配的になる。つまり現実は、単純な一直線ではなく、条件によって傾きが変わる複数の世界でできています。

ここで起こる失敗は、モデルが「間違っている」からだけではありません。むしろ、モデルが見えるものだけで世界を要約しようとする宿命を持っているからです。価格に影響する要因がサイズ、立地、眺望、設備、季節、売り手の事情まであるなら、どれだけ優秀なモデルでも全ては取り込めません。

予測とは、世界を完全に再現することではない。見えない変数を抱えたまま、十分に役立つ近似を作ることだ。

この視点に立つと、機械学習の本質が変わって見えます。モデルの価値は「真実を言い当てる」ことではなく、どんな条件でどこまで信じてよいかを明示することにあります。線形回帰が役立つのは、世界が線形だからではなく、複雑な現実をまず扱える形に圧縮してくれるからです。

系譜も予測も、残ったものだけを見ている

ここで母系遺伝の話が効いてきます。ミトコンドリアDNAは母親からのみ受け継がれるため、母系の系統だけをたどることができます。そして、現代人のミトコンドリアDNAをさかのぼると、ある一人の女性に行き着く。いわゆるミトコンドリア・イブです。

ただし、ここで最も大事なのは誤解を避けることです。彼女は「最初の女性」ではありません。同時代には他にもたくさんの女性がいたはずです。ただ、その母系が途中で途切れたために、現在まで連続して残った系統が一つに収束しているのです。

この事実は驚くほど示唆的です。なぜなら、系譜の歴史は、能力や重要性の歴史ではなく、たまたま再生産に成功した系統の歴史だからです。ある家系が消えるのは、その家系が劣っていたからとは限りません。娘がいなかった、疫病があった、移住した、偶然子孫が途絶えた、そうした小さな分岐の累積で消えることもある。

これは統計の世界でも同じです。データセットに含まれるものは、世界の全体ではなく、残存したサンプルです。たとえば、ある価格モデルを作るとき、観測できる家は売買された家だけです。売れなかった家、記録されなかった家、特殊事情で市場から外れた家は消えています。結果として、モデルは「実在する全ての家」ではなく、「記録として残った家」の構造を学びます。

このとき、予測も系譜も、同じ罠にかかります。私たちは、見えているデータを「世界そのもの」と勘違いしがちですが、実際には選ばれた断片を見ているだけです。ミトコンドリア・イブが教えるのは、起源とはしばしば「最初」ではなく、「最後まで残った一本の枝」だということです。

データが増えると、真実に近づくとは限らない

直感では、データは多いほど良いはずです。ところが実際には、データを増やすことで予測が悪化することがあります。これは一見すると逆説ですが、よく考えると自然です。データが増えるということは、単に情報が増えるだけでなく、ばらつき、異常値、異質な条件、隠れた偏りも増えるからです。

5つのキャビンだけなら完璧に説明できたのに、6つ目を加えた瞬間に精度が落ちる。これはモデルが壊れたというより、世界の複雑さが露出したと考えるべきです。最初の5点は、たまたまきれいに一直線に並んでいただけかもしれません。6点目で初めて、サイズ以外の要因や、水辺の近さの効き方の違いが見えてくる。

ここで最小二乗法の意味も変わって見えます。最小二乗法は、観測値との差の二乗を最小化します。つまり、モデルは「完璧な真実」を探すのではなく、誤差全体を最も小さくする妥協点を探しています。これは非常に人間的です。私たちは常に、雑音のある世界で、完全ではない説明を選んでいるのです。

ただし、ここに落とし穴があります。最小二乗で得た係数は、あくまでそのデータにとって最も都合のよい要約であって、因果そのものではないことです。サイズが価格を上げるように見えても、それは立地や設備や売り手の事情を含んだ結果かもしれない。系譜が一人に収束しても、それは最初の女性が特別だったという意味ではない。観測されたパターンを、そのまま本質とみなしてはいけないのです。

データが増えると見えるようになるのは、真実だけではない。ノイズも、偏りも、例外も、同時に見えるようになる。

この点を理解すると、優れた分析者の姿勢が見えてきます。彼らはデータを集めるだけでなく、データがどう残ったのか、何が脱落したのか、どの条件で関係が変わるのかを問い直します。つまり、モデルの精度だけでなく、データの出生証明書を読むのです。

本当に必要なのは、当てる力ではなく、見えない力学を疑う力

この二つの話を重ねると、ひとつの深い結論が浮かび上がります。予測も系譜も、表面に見える一本の線をたどる営みだが、その線は常に「途中で切れた無数の線」に支えられている。 線形回帰は、特徴量から出力への線を引く。ミトコンドリアDNAは、母から娘への線だけをたどる。どちらも、世界の一部だけを選択的に可視化する技術です。

だからこそ、優れた判断には二つの視点が必要です。第一に、モデル視点です。入力と出力の関係をできるだけ簡潔に捉えること。第二に、歴史視点です。その関係がどのような選別、欠落、継承の上に成り立っているかを考えること。前者だけでは過信しやすく、後者だけでは何も予測できません。両方がそろって初めて、私たちは賢くなれます。

この視点は、日常の意思決定にもそのまま使えます。たとえば採用では、活躍した人の共通点ばかりを見てしまいがちですが、実際には「採用された人」しか観測していないという選択バイアスが入ります。投資では、成功した銘柄の特徴だけを後から学ぶと、消えた無数の失敗銘柄を見落とします。家の価格でも、売れた物件だけを見れば、価格が高い理由を見誤ることがある。

つまり、賢い分析とは、残ったものの理由を語る前に、消えたものの理由を疑うことです。ミトコンドリア・イブの物語が示すのは、現代に残った系統が優れていたという話ではなく、残存とは偶然の勝者が作る記録だということ。線形回帰が示すのも、もっともらしい直線は世界の全貌ではなく、限られた特徴から作った便利な地図にすぎないということです。

Key Takeaways

予測は現実のコピーではない モデルは、見える特徴から作る近似です。欠けている変数やノイズを前提に扱う必要があります。
残ったデータは中立ではない 系譜でも統計でも、現在見えているものは「生き残ったもの」です。消えた系統や記録されなかったケースを常に意識してください。
データが増えるほど、偏りも見える データ増加は精度向上を保証しません。異質な条件、外れ値、選択バイアスが露出するからです。
相関を因果と混同しない サイズと価格が関係していても、背後に立地や設備などの交絡変数があるかもしれません。見える関係は、しばしば間接的です。
モデルを見るときは、生成過程を見る そのデータはどう集められ、何が脱落し、何が残ったのかを問い直すと、予測の限界が見えてきます。

終わりに: 起源とは、最初の点ではなく、最後まで切れなかった線である

私たちはしばしば、真実はどこかに一本だけ存在し、それを見つければすべてが説明できると思いがちです。けれど現実では、直線はいつも後から引かれた要約であり、系譜はいつも生き残りの記録です。だから、もっとも強い知性とは、当てることに長けた知性ではありません。何が観測され、何が観測されなかったかを見抜く知性です。

ミトコンドリア・イブは「最初の人」ではなく、最後までつながった母系の名前です。線形回帰も「世界そのもの」ではなく、限られた特徴から引いた一本の線です。どちらも私たちに同じことを教えます。起源を知るとは、始まりを探すことではない。残存のしくみを理解することだ。 その理解があるとき、予測はただの当て物ではなく、世界の不完全さを受け入れたうえでの、最も誠実な知の形式になるのです。