G検定 用語解説
サポートベクターマシン（SVM）とは
クラス間のマージン（余白）を最大化する境界でデータを分類する教師あり学習の手法。
まず押さえる結論
サポートベクターマシン（SVM）は、G検定の「大項目3 機械学習の概要」で確認しておきたい用語です。 定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
- 教師あり・教師なし・強化学習の分類の取り違え（分類/回帰＝教師あり、クラスタリング/次元削減＝教師なし）。
- L1正則化（ラッソ＝係数が0になり変数選択も兼ねる）とL2正則化（リッジ＝係数を小さく抑えるが0にはなりにくい）の混同。
- 適合率（精度）と再現率の取り違え、および混同行列の読み方。
関連する確認問題
大項目3 機械学習の概要 / 代表的な手法
異なるクラスのデータ点との間隔（マージン）が最大になるように識別の境界を決定する、教師あり学習の代表的な分類手法はどれか。
マージン最大化によって識別境界を引くのはサポートベクターマシン。k近傍法は近くにある既知データ点の多数決で分類する手法でマージンの概念は用いない。ナイーブベイズは特徴量の条件付き独立を仮定した確率に基づく分類手法。主成分分析は教師なしの次元削減手法であり分類器ではない。
大項目3 機械学習の概要 / 代表的な手法
多数の決定木を作り、それぞれの予測の多数決や平均によって最終的な予測を行うアンサンブル学習の手法はどれか。
ランダムフォレストは、データや特徴量をランダムに選んで多数の決定木を作り、それぞれの予測を多数決（分類）や平均（回帰）で統合するアンサンブル学習（バギングの代表例）の手法である。サポートベクターマシン・線形回帰・主成分分析はいずれも複数の決定木を組み合わせる手法ではない。
同じ章で確認したい用語
到達チェック
- サポートベクターマシン（SVM）を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、サポートベクターマシン（SVM）に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる