この記事では、Pythonと機械学習ライブラリ「scikit-learn」を用いて、サポートベクタマシン(SVM)による教師あり学習を行う方法について紹介します。
サポートベクターマシンとは
サポートベクターマシン（略称：SVM）は、教師あり学習モデルの１つです。
2クラスのパターン識別器としては非常に強力なモデルで、データの分類や回帰などで大きな効果を発揮しています。
【SVMの詳細】
・サポートベクターマシンの原理
ソースコード
サンプルプログラムを下記に示します。
【プログラムの説明】
Scikit-learnのライブラリには、あらかじめテスト用のデータ（digitsデータ）があります。
その中身は、64ピクセル(8×8)のグレイスケールの手書き数字の画像データ1797個分です。（行列形式で格納されている）
今回はこれをSVMを使って多クラス分類しています。
【svm.SVCの説明】
svm.SVCでは、gammaとC、２つのパラメータを指定しています。
γはRBFカーネル(ガウシアンカーネル)のパラメータです。（値が大きいほど境界が複雑になる）
Cはどれだけ誤分類を許容するかのパラメータです。（値が小さいほど誤分類を許容）
digits.targetには、各画像の正解データ（数字）が格納されています。
実行結果
サンプルプログラムの実行結果です。
SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape=None, degree=3, gamma=0.001, kernel=’rbf’, max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False)
学習（トレーニング）した結果（SVMで完成した分類器のパラメータ）となります。
完成した分類器を使って、データを分類をする方法は下記事で解説しています。
・【Scikit-learn】サポートベクタマシン(SVM)で多クラス分類
関連記事
Scikit-learnの導入方法や、その他の使い方については下記事で解説しています。
・Scikit-learnをインストールする方法
・Scikit-learn入門・使い方
・機械学習のアルゴリズム入門