最終更新日：2026年9月23日
gk machine_learning supervised_learning
G検定トップ
＞ SVMとは？最大マージン・サポートベクトル・カーネル法【G検定】
まず結論
SVM（Support Vector Machine）は、クラスを分ける境界とデータの間のマージンを大きくすることを重視する教師あり学習です。
G検定では、
- 最大マージン
- サポートベクトル
- カーネル法
- ソフトマージン
を押さえます。
直感的な説明
2つのクラスを線で分けられるとしても、分け方は何通りもあります。
SVMは、
両クラスからできるだけ余裕のある境界を引く
考え方です。
その境界に近く、決定へ強く影響する点がサポートベクトルです。
定義・仕組み
マージン
決定境界と各クラスの近いデータとの距離をマージンと考え、その余白を大きくする境界を求めます。
ソフトマージン
現実のデータでは完全分離できない場合があります。
そこで多少の誤分類を許しながら、マージンとのバランスを取ります。
代表的なハイパーパラメータCは、このトレードオフに関係します。
カーネルトリック
線形では分けにくいデータに対し、特徴を高次元空間へ写したときの内積をカーネル関数で効率的に計算します。
重要なのは、
カーネル法＝次元削減
ではないことです。
いつ使う？（得意・不得意）
SVMは、
- 分類
- 高次元特徴
- サンプル数が極端に大きくない問題
などで使われます。
分類だけでなく、SVR（Support Vector Regression）として回帰にも利用できます。
特徴量の尺度が結果へ影響するため、標準化を検討することが多いモデルです。
G検定ひっかけポイント
SVM＝分類だけ？
❌ 回帰には使えない
⭕ SVRがある
カーネル＝次元削減？
❌ 高次元を低次元へ圧縮
⭕ 高次元特徴空間での内積に相当する計算を行う
サポートベクトル
❌ すべてのデータを同じ重要度で境界に使う
⭕ 境界付近のデータが重要
まとめ（試験直前用）
- SVM＝最大マージン
- 境界付近＝サポートベクトル
- ソフトマージン
- Cで誤分類とマージンのバランス
- カーネルトリックで非線形へ対応
- SVRとして回帰にも利用