分類、回帰、異常値検出のためのサポートベクターマシン(SVM)のパワーを、実際のアプリケーションと洞察でご覧ください。
サポートベクターマシン（SVM）は、回帰（サポートベクター回帰 - SVR）や異常値検出にも効果的だが、主に分類タスクに使用される一般的で強力な教師あり機械学習（ML）アルゴリズムである。1990年代に開発されたSVMは、ウィキペディアで詳しく説明されているが、高次元空間で異なるクラスに属するデータ点を最もよく分離する、超平面と呼ばれる最適な境界を見つけることによって機能する。重要なアイデアは、マージン（超平面と各クラスから最も近いデータ点（サポート・ベクトル）との間の距離）を最大化することである。
SVMの核となる原理は、データセットを分割する理想的な超平面を見つけることである。直線または平面で分離できるデータ（線形分離可能データ）に対して、SVMはクラス間に可能な限り大きな隔たりを作る超平面を特定する。この超平面の位置と向きを定義するのに重要な、この超平面に最も近い学習データのデータ点は、サポート・ベクトルとして知られている。このように境界付近の最も困難な点に焦点を当てることで、SVMは記憶効率が良くなる。なぜなら、学習後にモデルを定義するのに必要なのはこれらのサポートベクトルだけだからである。
クラスが線形境界で分離できないデータセット（非線形分離可能データ）の場合、SVMはカーネル・トリックと呼ばれる手法を用いる。この巧妙な手法により、SVMは元のデータを、線形分離が可能な高次元空間にマッピングすることができる。一般的なカーネル関数は以下の通りである：
カーネルとそのパラメータの選択は非常に重要であり、多くの場合、注意深くハイパーパラメータをチューニングする必要がある。
SVMは、ディープラーニング（DL）の台頭にもかかわらず、特に高次元データ（多くの特徴）を持ちながら学習サンプルが限られているシナリオにおいて、依然として重要な役割を担っている。SVMは、理論的な保証とロバスト性、特に明確な分離マージンが存在する場合に優れていることで知られている。歴史的には、HOG（Histogram of Oriented Gradients）のような特徴抽出器と組み合わされたSVMは、物体 検出の進化で述べたように、物体検出のようなタスクでは最先端のものであった。
一般的な用途は以下の通り：
利点がある：
制限：
ロジスティック回帰のような単純なアルゴリズムと比較して、SVMは単に分離境界を見つけるのではなく、マージンを最大化することを目指す。決定木や ランダムフォレストのような木ベースの手法とは異なり、SVMは単一の最適超平面を構築する（おそらく高次元空間で）。最近の Ultralytics YOLOのような最近のディープラーニングモデルは、生データ（コンピュータビジョン（CV）におけるピクセルのようなもの）からの自動特徴抽出を得意としますが、SVMは、しばしば注意深い特徴エンジニアリングを必要としますが、より小さなデータセットや、特徴が明確に定義されている特定のタイプの構造化データでは、非常に優れた性能を発揮します。一般的な実装には、LibSVMや scikit-learnのSVMモジュールがあります。このようなモデルのトレーニングと管理は、他の様々なモデルとともに、MLOpsライフサイクルを簡素化するUltralytics HUBのようなプラットフォームを使用して合理化することができる。
JA
EN
ZH
KO
RU
DE
FR
ES
PT
IT
AR
TR
VI
