マージン最大化による分類
SVMは「余裕を持った分類」を目指します。 2つのクラスを分ける境界線を引くとき、最も近いデータ点との距離（マージン）が最大になるように決定します。
マージンが大きいほど、新しいデータに対しても安定した予測ができます。
決定境界に最も近い点のことを「サポートベクター」と呼びます。 これらの点だけが境界線の位置を決定します。
他のデータ点は境界線に影響を与えません。少数の重要な点だけで分類器が決まります。
Cは誤分類をどれだけ許容するかを調整します。
バランスが重要です。大きすぎると過学習のリスクがあります。
キャンバスをクリックしてデータポイントを追加してください。クラス0とクラス1を切り替えながら入力できます。
📝 やること:
💡 ヒント: SVMは線形分離可能なデータで最もよく機能します。
マージンを最大化する決定境界を見つけます。Cパラメータで正則化の強さを調整できます。
📝 やること:
📏 マージンとは？
決定境界（実線）と、最も近いデータ点（サポートベクター）との距離です。 点線で示される2本の線の間隔がマージンの幅を表します。 SVMはこの幅を最大化するように学習します。
⚙️ Cパラメータの効果
小さいC: マージン大（汎化性能重視）/ 大きいC: マージン小（訓練誤差重視）
学習したSVMで新しいデータを分類します。
📝 やること:
📊 決定関数とは？
f(x) = w·x + b の値を計算します。 この値が正ならクラス1、負ならクラス0に分類されます。
💡 絶対値が大きい = 決定境界から遠い = 確信度が高い
\[ f(x) = w^T x + b \]
\[ y = \text{sign}(f(x)) \]
SVMを学習してください
📏 マージンとは？
決定境界（黒い実線）と最も近いデータ点（サポートベクター）との距離です。
🎯 SVMの目的
このマージンを最大化することで、新しいデータに対しても安定した予測が可能になります。
📐 マージン幅の計算
\[ \text{margin} = \frac{2}{||w||} \]
重みベクトルwのノルムが小さいほど、マージンは大きくなります
データを追加してください
SVMを学習してください
SVMを学習してください