はじめに
サポートベクターマシン（SVM）は、人工知能（AI）の分野で広く使われている機械学習アルゴリズムの一つです。 主に、データをグループ分けする「分類」というタスクで優れた性能を発揮します。 例えば、迷惑メールとそうでないメールを分けたり、顧客データから優良顧客と一般顧客を分類したり、といった場面で活躍します。
この記事では、SVMの基本的な考え方から、少し発展的な内容、さらにはPythonを使った簡単な実装例まで、初心者の方にも分かりやすく解説していきます。
サポートベクターマシン (SVM) の基本的な考え方
SVMは「教師あり学習」という学習手法の一つで、あらかじめ正解がわかっているデータ（教師データ）を使って学習します。 その目的は、異なるクラスのデータを最も上手く分けるための境界線（決定境界）を見つけ出すことです。
マージンの最大化：最適な境界線の見つけ方
例えば、赤色のグループと青色のグループの2つのデータ群があったとします。この2つのグループを分ける直線は無数に引くことができますが、SVMはどのような直線を「最適」と考えるのでしょうか。
SVMの最大の特徴は、「マージン」を最大化するという考え方です。 マージンとは、境界線と、境界線に最も近い各データ点との距離のことです。 この境界線を決める上で重要な役割を果たすデータ点のことを「サポートベクター」と呼びます。
マージンが広い（境界線が各データ群から離れている）ほど、未知のデータが来たときに、より正確に分類できる可能性が高まります。 このように、学習したデータだけでなく、未知のデータに対しても高い性能を発揮する能力を「汎化性能」といい、SVMは汎化性能が高いことで知られています。
応用編：カーネルトリックという魔法
ここまでは、データが一本の直線で分けられる「線形分離可能」なケースを考えてきました。しかし、現実世界のデータはもっと複雑で、下図のように直線ではどうしても分けられない場合があります。
このような「非線形」な問題を解決するのが、「カーネルトリック（カーネル法）」というテクニックです。
カーネルトリックを一言でいうと、元の次元のままでは直線で分離できなくても、データをより高次元の空間に写す（変換する）ことで、直線的に分離できるようにする魔法のような手法です。 例えば、2次元平面（紙の上）では直線で分けられないデータも、3次元空間に持ち上げて適切な角度から見れば、一枚の平面でスパッと分けられるようになる、といったイメージです。
このトリックのすごいところは、実際に高次元の複雑な計算をすることなく、もとの次元の計算だけで同じ結果を得られる点です。 これにより、複雑なデータ構造にも対応しつつ、計算コストを抑えることができます。 代表的なカーネル関数には以下のようなものがあります。
- 線形カーネル: 最も基本的なカーネルで、線形分離可能なデータに使用します。
- 多項式カーネル: データを多項式で表現される曲線で分離します。
- RBFカーネル（ガウシアンカーネル）: 最もよく使われるカーネルの一つで、非常に複雑な境界線を引くことができます。
- シグモイドカーネル: ニューラルネットワークに関連するカーネルです。
SVMの長所と短所
SVMは強力な手法ですが、万能ではありません。ここでSVMのメリットとデメリットをまとめてみましょう。
| 項目 | 説明 |
|---|---|
| 長所 (メリット) |
|
| 短所 (デメリット) |
|
Python (scikit-learn)での実装例
ここでは、Pythonの機械学習ライブラリであるscikit-learnを使って、SVMを実装する簡単な例を紹介します。 アヤメ(iris)のデータセットを使い、花の種類を分類するモデルを作成します。
# 必要なライブラリをインポート
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics
# 1. データの準備
# アヤメ(iris)のデータセットをロード
iris = datasets.load_iris()
X = iris.data # 特徴量 (がくの長さ・幅、花びらの長さ・幅)
y = iris.target # 目的変数 (花の種類)
# データを訓練用とテスト用に分割 (80%を訓練、20%をテストに使用)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 2. モデルの構築と学習
# SVM分類器のインスタンスを作成 (ここではRBFカーネルを使用)
clf = svm.SVC(kernel='rbf', C=1.0, gamma='auto')
# 訓練データを使ってモデルを学習させる
clf.fit(X_train, y_train)
# 3. モデルの評価
# テストデータを使って予測を行う
y_pred = clf.predict(X_test)
# 正解率を計算して表示
print(f"正解率: {metrics.accuracy_score(y_test, y_pred):.2f}")
# 出力例: 正解率: 1.00 このコードは、scikit-learnを使ってアヤメのデータを読み込み、SVMモデルを学習させ、その性能を評価するまでの一連の流れを示しています。 わずか数行のコードで、強力な分類モデルを構築できることがわかります。
SVMの活用事例
SVMはその高い性能から、様々な分野で応用されています。
- テキスト分類: 迷惑メールフィルタや、ニュース記事のカテゴリ分類、感情分析などに利用されます。
- 画像認識: 手書き文字の認識や、顔検出などに応用されてきました。
- 株価予測: 過去の株価データから、将来の株価が上がるか下がるかを予測するモデルの構築に使われることがあります。
- 医療診断・バイオインフォマティクス: 検査データから病気の有無を診断したり、遺伝子データを分類したりする研究で活用されています。
まとめ
サポートベクターマシン（SVM）は、「マージン最大化」という明確な基準でデータを分類する強力な機械学習アルゴリズムです。 また、「カーネルトリック」を用いることで、一見複雑で分類が難しい非線形データにも対応できる柔軟性を持っています。
計算コストなどのデメリットもありますが、特にデータ数が膨大でない場合には非常に高い性能を発揮するため、現在でも多くの場面で利用されている重要な手法の一つです。 この記事が、サポートベクターマシンを理解するための一助となれば幸いです。