SVMとは【図解でわかりやすく】

最終更新日：2026年7月15日

30秒でわかる結論

SVM（サポートベクターマシン）は「境界線から最も近いデータ（サポートベクター）との距離（マージン）を最大化して分類境界を決める」手法です。直線で分けられないデータも「カーネルトリック」で高次元変換して対応できます。データ量が少ない場面でも精度が高く、G検定で「マージン最大化」というキーワードとセットで必出です。

SVM＝マージン（境界線と最寄りデータの距離）を最大化して境界線を引く手法。

SVMはG検定で「マージン最大化」というキーワードとセットで問われます。「道路の白線はなるべく建物から離して引く」というイメージで覚えましょう。

図解

解説

道路の白線を引くとき、両側の建物からなるべく離して真ん中に引くイメージ。ギリギリに引くより余裕を持たせたほうが、新しいデータが来てもはみ出しにくい＝汎化性能が高くなります。境界線に最も近いデータを「サポートベクター」と呼び、これが名前の由来。「マージン最大化」というキーワードとセットで頻出です。

具体例

①顔画像の男性/女性分類（少ない学習データでも高精度を発揮）。②DNAマイクロアレイデータから癌/正常を分類（高次元データへの強さを活かす）。③テキスト感情分析（ポジティブ/ネガティブの2値分類）。

間違えやすい類似用語

SVM vs ロジスティック回帰：どちらも2値分類ができる教師あり学習。SVMはマージン最大化（境界からの距離）を最適化、ロジスティック回帰は確率（対数尤度）を最適化。データが少ない/特徴量が多い→SVM有利、確率を直接使いたい→ロジスティック回帰有利。
サポートベクター vs 全学習データ：SVMは境界線に最も近いデータ（サポートベクター）だけで境界を決める。その他のデータは計算に影響しない。この性質から「少ないデータで頑健」という特徴が生まれ、外れ値への強さにもつながる。

覚え方

SVM＝余裕（マージン）を最大にして線を引く

試験での問われ方

G検定では「①SVMの決定境界の作り方（マージン最大化）」「②サポートベクターの定義（境界に最も近いデータ点）」「③カーネルトリック（非線形問題を高次元で線形化）」が頻出。教師あり学習の分類手法であることも確認しておきましょう。「SVM＝教師なし学習」という誤認を問う引っかけ問題も出題されます。

確認問題

SVM（サポートベクターマシン）が分類境界を決める際に最大化する指標を何と呼ぶでしょう？

A. 損失（Loss）
B. マージン（Margin）
C. エントロピー（Entropy）
D. 勾配（Gradient）

正解：B. マージン（Margin）

SVM（サポートベクターマシン）は、分類境界と最も近いデータ点（サポートベクター）との距離＝マージンを最大化します。「道路の白線を建物からなるべく離す」イメージ。マージンを大きくすることで、未知データへの汎化性能が高まります。損失・勾配は最適化の文脈、エントロピーは情報理論・決定木の文脈で使われます。

SVMの問題を解いてみる →