30秒でわかる要点
データを分離する最適な境界（超平面）を見つけるアルゴリズム。マージン最大化により高い汎化性能を持つ。カーネルトリックにより非線形分類にも対応。
「サポートベクターマシン（SVM）」の練習問題
当サイトの練習問題から、この用語に関係する問題をピックアップしました。
Q1サポートベクターマシン(SVM)において、マージンを最大化する目的として、次のうち最も適切な説明はどれか。
- 訓練データへの過度な適合を避け、汎化性能を向上させるためである
- 計算速度を高速化し、訓練時間を短縮するためである
- 特徴量の数を削減し、次元削減を実現するためである
- 外れ値の影響を完全に排除するためである
答えと解説を見る
正解：A
SVMはマージン最大化により、決定境界から最も近いデータ点までの距離を広げることで汎化性能を高める。B は副次的な効果、C は別の処理、D は実現不可能な目標。
Q2サポートベクトルマシン（SVM）が高次元データ分類で優れている理由として最も適切なものはどれか。
- マージン最大化により、高い汎化性能を達成し、カーネル法で非線形問題に対応できること
- 高次元データには全く対応できない
- 訓練データサイズが大きいほど性能が向上する
- SVMは完全に廃止された古い手法
答えと解説を見る
正解：A
SVMはマージン最大化原理で、訓練誤差と複雑さのバランスを取る。カーネルトリックにより、元の特徴空間で非線形な分離を線形で実現。理論的基盤が堅実。B、Cは誤り、D は古い手法ながら今も有用。
Q3One-Class SVM の用途として最も適切なのはどれか。
- 訓練データから正常パターンを学習し、テストデータで大きく異なる異常点を検出する手法である
- 複数クラスの分類に限定される
- 教師ありデータが必須である
- 外れ値は考慮されない
答えと解説を見る
正解：A
One-Class SVM は正常データで支持ベクトル取得。新データとの距離で異常判定。教師なし異常検知。
機械学習の問題をまとめて解いて、理解を確かめましょう（無料・登録不要）。
機械学習の練習問題を解く