AI資格ドリル
資格を選ぶ↓

用語比較

SVMとロジスティック回帰の違い（マージンの最大化と、確率のモデル化）

サポートベクターマシン（SVM）とロジスティック回帰は、どちらもラベル付きデータで学習して分類に使える手法です。SVMは、マージンを大きくとる境界を求め、ロジスティック回帰は、結果の確率をロジスティック関数でモデル化します。

G検定では、説明文の境界の余白（マージン）の話か、確率の話かを読み分ける設問が出ます。ロジスティック回帰は名前に「回帰」が入っていても、分類の手法です。

このページでは、考え方、確率の扱い、非線形への対応の三つの軸で二つを比較します。線形回帰との違いは別のページで扱います。

この記事の根拠と出典

各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。

公式一次資料と照合した内容
SVMがサポートベクターだけを決定関数に使いメモリ効率が良いこと、カーネル関数を指定できること、マージンの最大化を直観とすること、確率推定を直接は提供しないこと、ロジスティック回帰が分類のための線形モデルで結果の確率をロジスティック関数でモデル化することは、scikit-learn公式ドキュメントのSupport Vector MachinesとLinear Modelsの章へ2026-10-12に照合しています。
編集部が学習用に整理した内容
確率の要否とカーネルの語から判定する手順、確認問題の選択肢は編集部の学習上の整理です。

資格ごとの公式資料の一覧

結論

公式一次資料と照合：用語の定義は公式一次資料と照合しています。

SVM

マージンを最大にする直観で境界を求める教師あり学習。決定関数には訓練点の一部（サポートベクター）だけを使い、カーネル関数を指定できる。

ロジスティック回帰

名前に反して回帰ではなく、分類のための線形モデル。結果の確率をロジスティック関数でモデル化する。

違いを表で確認

比較軸SVMロジスティック回帰
考え方マージンを最大化しつつ、誤分類やマージン内の標本にペナルティを課す結果の確率をロジスティック関数でモデル化する
確率の扱い確率推定を直接は提供しない（高コストな5分割交差検証で計算する）確率そのものをモデル化する
決定に使うデータ訓練点の一部（サポートベクター）だけを決定関数に使う係数を学習する線形モデル（編集部の整理）
非線形への対応さまざまなカーネル関数を指定できる公式ドキュメントは線形モデルとして説明する
選択肢で探すキーワードマージン、サポートベクター、カーネルロジスティック関数、確率、分類のための線形モデル

公式一次資料と照合：G検定: 2026-10-02に一次資料で確認一次資料の一覧を見る →

G検定の学習に使う書籍（Amazon）

試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。

PR
深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版 の表紙深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

01

ロジスティック回帰を、数値を予測する回帰の手法だと思っている人

scikit-learn公式ドキュメントは、ロジスティック回帰を、名前に反して回帰ではなく分類のための線形モデルと説明します。文献ではロジット回帰や最大エントロピー分類とも呼ばれます。

02

SVMの「サポートベクター」が何か分からない人

同ドキュメントは、SVMが決定関数に訓練点の一部だけを使い、その点をサポートベクターと呼ぶと述べます。このためメモリ効率が良いとされます。

03

SVMでも確率が出ると思っている人

同ドキュメントは、SVMが確率推定を直接は提供せず、高コストな5分割交差検証で計算すると述べます。確率を結果として使いたい場面では、ロジスティック回帰が候補になります。

具体例で使い分ける

編集部の整理

例 1

『マージンを最大にするように境界を決める』という説明が出た場合

選択肢に、SVM、ロジスティック回帰、k近傍法、線形回帰が並んでいます。

  • マージンを最大にする直観で目的関数を作るのは、SVMです。
  • ロジスティック回帰は、結果の確率をモデル化する手法で、マージンの語は出てきません。
  • 線形回帰は連続値を予測する回帰の手法です。

結論: SVMと答えます。

例 2

『結果が起こる確率をロジスティック関数でモデル化する分類の手法』という説明が出た場合

選択肢に、ロジスティック回帰、線形回帰、SVM、k-means法が並んでいます。

  • ロジスティック関数で確率をモデル化する分類の手法は、ロジスティック回帰です。
  • 名前に「回帰」とあっても、分類のための線形モデルです。
  • SVMは確率を直接は出さない手法です。

結論: ロジスティック回帰と答えます。

例 3

『カーネル関数を指定して、非線形な境界にも対応できる』という説明が出た場合

選択肢に、SVM、ロジスティック回帰、線形回帰、主成分分析が並んでいます。

  • 決定関数にさまざまなカーネル関数を指定できるのは、SVMの特徴です。
  • ロジスティック回帰は線形モデルとして説明されます。

結論: SVMと答えます。

問題文から答えを選ぶ手順

編集部の整理：確率の要否とカーネルの語から判定する手順、確認問題の選択肢は編集部の学習上の整理です。

  1. 1

    目的を確認する

    どちらも分類に使います。回帰と書かれていても、ロジスティック回帰は分類の手法です。

  2. 2

    確率の語を探す

    結果の確率をモデル化するなら、ロジスティック回帰です。SVMは確率を直接は出しません。

  3. 3

    マージンやサポートベクターの語を探す

    設問にマージンやサポートベクターの語があれば、SVMです。

  4. 4

    カーネルの語を探す

    カーネル関数を指定する説明なら、SVMです。

試験での見分け方

編集部の整理

  • 1SVMは、分類・回帰・外れ値検出に使う教師あり学習の手法である。
  • 2SVMは、決定関数に訓練点の一部（サポートベクター）だけを使う。
  • 3SVMは、決定関数にさまざまなカーネル関数を指定できる。
  • 4SVMは、確率推定を直接は提供しない。
  • 5ロジスティック回帰は、回帰ではなく分類のための線形モデルで、結果の確率をロジスティック関数でモデル化する。

誤答しやすい選択肢

ロジスティック回帰を回帰モデルの仲間として選ぶ

修正: 名前に「回帰」とありますが、分類のための線形モデルです。

SVMが確率をそのまま出すと考える

修正: SVMは確率推定を直接は提供しません。

SVMが全ての訓練点を決定に使うと考える

修正: 決定関数に使うのは、訓練点の一部（サポートベクター）です。

カーネルをロジスティック回帰の特徴だと考える

修正: カーネル関数を指定できる点は、SVMの特徴として説明されます。

確認問題

Q1ロジスティック回帰は、回帰と分類のどちらのための手法ですか？

答え: 分類（のための線形モデル）

scikit-learn公式ドキュメントは、名前に反して回帰ではなく分類のための線形モデルと説明しています。

Q2SVMの決定関数に使われる訓練点の一部を何と呼びますか？

答え: サポートベクター

同ドキュメントは、決定関数に使う訓練点の一部をサポートベクターと呼ぶと述べています。

Q3SVMは確率推定を直接提供しますか？

答え: 提供しない

同ドキュメントは、確率推定を直接は提供せず、高コストな5分割交差検証で計算すると述べています。

到達チェック

  • ロジスティック回帰が分類の手法だと言える
  • SVMの考え方をマージンの最大化で説明できる
  • サポートベクターの意味を言える
  • SVMが確率を直接は出さないことを言える
  • カーネル関数の語からSVMと判定できる

関連ページで確認する

同じ資格で次に知りたいこと

よくある質問

QSVMとロジスティック回帰の最大の違いは何ですか？

A

SVMはマージンを最大にする直観で境界を求め、ロジスティック回帰は結果の確率をロジスティック関数でモデル化します。

Qロジスティック回帰は回帰の手法ですか？

A

いいえ。名前に反して、分類のための線形モデルです。

Qサポートベクターとは何ですか？

A

SVMの決定関数に使われる、訓練点の一部です。

QSVMで確率は出せますか？

A

直接は提供されません。高コストな5分割交差検証で計算する方法が公式ドキュメントに示されています。

次に見る比較

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）