はじめに

AI技術の基礎を問うG検定では、機械学習アルゴリズムの理論が頻出する。
その中でも「サポートベクトルマシン（SVM）」は、分類タスクにおける定番の手法として多くの問題に取り上げられる。

今回は、G検定の過去問をもとに、SVMの本質的な理解を深めていこう。

Contents

問題：SVMの目的は何か？

以下の文章を読み、(●)に最もよく当てはまる選択肢を選べ。

サポートベクトルマシン(SVM)は広く用いられている機械学習の手法であり、(●)を行っている。

正解は「1. マージンの最大化」

サポートベクトルマシン（SVM）は、線形分類問題において「境界線を引く」ことを目的とした手法だ。
ただし、どんな境界線でもよいわけではない。
SVMは、「マージン（余白）」を最大限にとるように境界を決定する。

マージンとは、「分類境界」と「各クラスの最も近いデータ点（サポートベクトル）」との距離を指す。
この距離が大きいほど、新しいデータに対しても分類ミスをしにくくなる。つまり、汎化性能が高い。

例えるなら、狭い廊下よりも広い廊下を選んだ方が、ぶつからずに通りやすい。SVMも同じ発想で、安全な距離を確保するのだ。

選択肢	説明	SVMとの関連性
二乗誤差の最大化	主に回帰問題で使われる指標。例えば線形回帰で目的変数との誤差を二乗して最小化する。	SVMでは誤差よりマージンが重要視される。
尤度の最大化	確率的モデル（例：ロジスティック回帰やベイズ推定）で使われる考え方。	SVMは確率モデルではないため、尤度の概念とは直接結びつかない。
コストの最大化	誤分類などの「損失」に関する指標。通常は最小化を目指す。	SVMでは「コスト最小化」として損失関数が登場するが、主目的はマージンの最大化。

つまり、SVMの最重要ポイントは「分類境界のマージン最大化」にある。ここを軸に理解することが合格への鍵となる。

SVMは、以下の2つを同時に達成しようとする：

これは「最適化問題」として数式で表され、目的関数と制約条件をもとに解かれる。数学的にはやや複雑に感じるかもしれないが、本質はシンプル。
「境界をなるべく遠くに、でも誤分類が少なくなるように」というバランスの取り方だ。

手書き数字の分類（MNIST）などで高い精度を誇る。

スパムフィルタや感情分析など、ベクトル化された文書の分類に適している。

疾患あり／なしなど、2クラス分類が必要な場面での利用が多い。

これらはすべて、「明確に分類したい」場面に共通する。

G検定では、SVMに関する問題は「用語」や「目的」にフォーカスされやすい。
今回の問題を通じて、以下のポイントを押さえておこう。

✅ SVMは「マージン最大化」を目指す分類手法
✅ 他の手法（回帰・確率・損失）との違いを理解する
✅ 実務でも広く使われており、基本を知っておくと役に立つ

G検定合格を目指すなら、「用語の暗記」にとどまらず、「なぜその手法を使うのか」まで踏み込んで理解しておくことがカギとなる。