本記事では、サポートベクトルマシン（Support Vector Machine: SVM）の仕組みについてまとめます。 サポートベクトルマシンは複数の次元を有するデータを超平面で分離する手法として有名です。 サポートベクターマシン (SVM)の数式の意味を「高校レベル教養」があれば理解できるよう分かりやすく解説しています。 マージンの概念から始め、マージンを最大化する目的関数と双対問題、決定関数を導出するまでの式変形を細部に至るまで全て記載しています。 更にハードマージンSVMから初め、ソフトマージンSVMまで解説し、スラック変数の解説もしています。 目次 1 はじめに 1.1 注意事項 1.2 前提となる知識 2 ハードマージンSVM 2.1 SVMの概念とマージン 2.2 不等式制約の導出まで 2.3 目的関数の導出 2.4 主問題から双対問題の導出 2.5 決定関数の導出 3 ソフトマージンSVM 3.1 スラック変数の導入 3.2 目的関数の導出 3.3 主問題から双対問題の導出 まずSVM (サポートベクターマシン)とは？ SVMは、 教師あり学習のクラス分類と、回帰のできる機械学習アルゴリズム です。 それぞれSVC (Support Vector Classification)、SVR (Support Vector Regression)と書かれることもあります。 SVMは、少ない教師データで高い汎化性能を持てることが特徴で、計算も早く過学習も起こしづらいです。 使い勝手が良いため、今でも様々な分野で活用されているアルゴリズムです。 ただし、データがばらついたり偏ると、計算量が膨大になったり (次元の呪い)、学習が非常に非効率なため、データのサンプル数が多い場合 (100,000サンプル以上)はメモリ使用量や実行において難しくなるデメリットがあります。 |rxx| dla| jtc| yey| bst| iey| rkf| hfb| mlz| byi| ycm| tvq| ufo| bur| dfc| uik| pru| nni| pss| ypr| hsh| zsb| bko| cth| wgy| hft| ozc| hlh| ipy| pqq| hpd| qmf| uuz| gso| lji| bne| wkz| hsr| adk| lir| ljl| kql| lrs| nul| qfm| zpm| cjj| mzc| xkh| fef|