Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.7

 詳細：サポートベクターマシン

409

いくつか例を示しましょう（図 5-54）。

In[3]: xfit = np.linspace(-1, 3.5)

plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn')

plt.plot([0.6], [2.1], 'x', color='red', markeredgewidth=2, markersize=10)

for m, b in [(1, 0.65), (0.5, 1.6), (-0.2, 2.9)]:

plt.plot(xfit, m * xfit + b, '-k')

plt.xlim(-1, 3.5);

図5-54　3つの線形識別分類

これらはデータを完全に分割する

3

つのまったく異なる分割線です。どの線を選択するかにより、

新しいデータポイント（図 5-54の「

X

」でマークされたポイント）に対して別のラベルが割り当てら

れます。「クラスの間に線を引く」という単純かつ直感的な考え方は十分ではなく、もう少し深い

考察が必要です。

5.7.2

 サポートベクターマシン：マージンの最大化

サポートベクターマシンはこうした状況を改善する

1

つの方法を示します。直感的に理解するな

ら、単純にクラスの間に幅がゼロの線を描画するのではなく、ある幅のマージンを線の周囲に最も

近い点まで描画することを考えます。例で示しましょう（図 5-55）。

In[4]:

xfit = np.linspace(-1, 3.5) ...