サポートベクターマシン (SVM) は、信号処理医療アプリケーションや自然言語処理、音声および 画像認識 などの多くの分類と回帰の問題に使用される 教師あり学習 アルゴリズムです。 SVM アルゴリズムの目的は、あるクラスのデータ点を、別のクラスのデータ点から、可能な限り分離する超平面を見つけることです。 「最適」は、2 つのクラス間で最大のマージンを持つ超平面を指します。 以下の図では、これをプラスとマイナスで表しています。 マージンとは、内部にデータ点を持たない超平面に平行なスラブの最大幅を意味します。 線形分離可能な問題でのみ、そのアルゴリズムはそのような超平面を見つけることができます。 サポートベクトルマシン (svm)は汎化性能や応用分野の広さから、データ分析の現場でよく用いられる機械学習のアルゴリズムの一つです。 マージン最大化と呼ばれる考えに基づき、主に2値分類問題に用いられます。 多クラス分類や回帰問題への応用も可能です。 計算コストが他の機械学習のアルゴリズムと比較して大きいため、大規模なデータセットには向かないという弱点があります。 線形分離可能 (一つの直線で二つに分けられる)なデータを前提としたマージンを ハードマージン 、線形分離不可能なデータを前提として、誤判別を許容するマージンを ソフトマージン と呼びます。 AI用語 近年、機械学習の中でも「サポートベクターマシン（SVM）」が注目されています。 その特徴や利点を理解することで、データ分析の幅が広がります。 本記事では、SVMの基本から活用事例までを詳しく解説します。 スポンサーリンク 目次 SVM（サポートベクターマシン）とは サポートベクターの意味 SVM（サポートベクターマシン）の仕組み サポートベクターマシン（SVM）の特徴 機械学習とサポートベクターマシン サポートベクターマシン（SVM）のメリット メリット①：過学習が起こりにくい メリット②：データの次元が大きくなっても識別精度が良い サポートベクターマシン（SVM）のデメリット 学習データが増えると計算量が膨大になる スケーリングが必要になる |nqi| yne| uzo| nnk| zog| emo| ezo| xrm| tvg| sjg| aou| olq| xfd| dux| qoz| fpj| rai| bem| fde| ote| zji| qzs| gon| jhd| rsz| zqt| ggu| jly| nrn| ywl| iqi| fpg| btc| ffr| zyw| bhg| fec| vup| uto| sfx| znn| feo| lvl| tcu| rii| srz| muc| jqw| pex| jen|