サポートベクターマシン（SVM）

Svmsの仕組み

このアルゴリズムは、各データ項目をn次元空間の点としてプロットすることで動作する（nは特徴の数）。そして、クラス間の最良の分離を生み出す超平面を見つけることによって、分類が実行される。

• 超平面：これは決定境界である。特徴量が2つのデータセットでは線になり、3つでは平面になる。より多くの特徴の場合は超平面になる。
• サポートベクトル：超平面に最も近いデータ点。これらはマージンを定義するので重要であり、これらを取り除くと超平面の位置が変わってしまう。サポート・ベクトルの優れた視覚化は、スタンフォードのCS229講義ノートにあります。
• マージン：マージンはサポートベクトルと超平面の間のギャップである。SVMの目的は、このマージンを最大化する超平面を見つけ、可能な限りロバストな分離を作成することである。
• カーネル・トリック線形分離できないデータに対しては、SVMはカーネル・トリックと呼ばれるテクニックを使う。この強力な方法は、データを高次元空間に変換することで、その新しい空間におけるデータの座標を明示的に計算することなく、線形分離を見つけることができる。放射基底関数（RBF）のような一般的なカーネルは、非常に複雑な非線形の関係を扱うことができる。詳しくはSVMカーネルのガイドをご覧ください。

実世界での応用

SVMは多くの領域で有効であり、特に高次元データの問題で有効である。

• バイオインフォマティクスゲノミクスやプロテオミクスでは、SVMはタンパク質の分類や遺伝子発現データの解析に用いられる。例えば、SVMはマイクロアレイデータに基づいて癌のサブタイプを特定するのに役立つ。このため、SVMはヘルスケア用AIにおいて重要なツールとなっている。
• 画像分類：ディープ・ニューラル・ネットワークが主流になる前は、SVMは画像分類においてトップクラスの性能を持つモデルだった。SVMは、MNISTのようなデータセットにおける手書きの数字認識や、Caltech-101における物体認識のようなタスクに使用され、成功を収めている。
• テキストの分類：自然言語処理（NLP）において、SVMはスパム検出や感情分析のようなタスクに効果的である。SVMはテキストベクトル化手法によって作成される高次元特徴空間を効率的に管理することができる。

Svmと他のアルゴリズムとの比較

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は単一の最適な超平面を構築する（高次元空間の可能性もある）。Ultralytics YOLOのような最新のディープラーニング・モデルは、生データ（コンピューター・ビジョン（CV）におけるピクセルのようなもの）からの自動的な特徴抽出を得意とするが、SVMは多くの場合、注意深い特徴エンジニアリングを必要とするが、特徴が明確に定義されている小規模なデータセットや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する。このようなデータセットは、UCI機械学習リポジトリに多数あります。

よく使われる実装には、LibSVMや scikit-learnのSVMモジュールがある。SVMは通常、PyTorchや TensorFlowのような最新のCVフレームワークの中核ではないが、より広範なワークフローに統合することができる。データラベリングから ハイパーパラメータのチューニング、最終的なモデルのデプロイまで、MLOpsの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することで、他の様々なモデルとともに、このようなモデルのトレーニングと管理を合理化することができます。