中外製薬、データサイエンス基盤で創薬力強化とAI活用を推進
中外製薬は、創薬力の強化に向けてSnowflakeを採用した統合解析基盤「dPROACT」を構築し、研究部門全体のデータサイエンス力向上に取り組んでいます。Snowflake Cortex AIを活用した自然言語によるデータ検索でも成果が現れ始めています。
サポートベクターマシン（SVM）とは：仕組み、種類、メリットと欠点
サポートベクターマシン（SVM）とは、異なるカテゴリのデータを最もよく分ける境界線を引く、教師あり機械学習アルゴリズムです。境界線と最も近いデータとの距離（マージン）を最大にすることで、未知のデータにも強い分類モデルを作れます。本ガイドでは、マージン最大化とカーネルトリックの仕組み、SVMの種類、活用例、メリットと欠点、実装時のベストプラクティスを解説します。
- 概要
- サポートベクターマシン（SVM）とは
- SVMの主要な構成要素
- SVMの仕組み
- SVMの種類
- 実務におけるSVMの活用例
- SVMのメリットと欠点
- SVM実装時のベストプラクティス
- 結論
- SVMに関するよくある質問
- Snowflakeを使用しているお客様の事例
- AIと機械学習に関連するリソース
概要
サポートベクターマシン（SVM: Support Vector Machine）は、データ間に明確な境界線を構築することで、異なるカテゴリのデータを分類する教師あり機械学習アルゴリズムです。分類問題において、高い分類精度を実現するための決定境界を生成するよう設計されています。画像認識、不正検知、スパムフィルタリングをはじめとする多様な実務アプリケーションにおいて、データサイエンティストがAIおよび機械学習モデルを構築する際の主要な手法の一つとして幅広く活用されています。
特に、数百万のデータポイントで構成される脳スキャン画像といった医療画像のような高次元データの処理において優れた性能を発揮します。さらに、学習データに対しては高い精度を示すものの、未知のデータに対する予測性能が著しく低下する過学習の抑制にも効果的です。
本ガイドでは、サポートベクターマシン（SVM）の仕組みと、機械学習モデルにおける高精度な予測の実現においてSVMが極めて重要な役割を果たす理由について詳しく解説します。
SVMとは
SVMは、異なるカテゴリのデータ群を分離する際、データ点と境界線との距離（マージン）が最大となる境界を算出することで動作するアルゴリズムです。たとえば、果物の画像データを用いて学習を行う機械学習モデルの場合、SVMは色、形状、質感といった特徴量に基づいてリンゴとオレンジを識別します。その際、双方のカテゴリを最も効果的に分ける境界線として超平面を特定し、これを分類基準として活用します。
SVMは、直線や直線状の面で完全に分離できる線形分離可能なデータだけでなく、複雑な境界を必要とする非線形データの処理にも対応しています。線形データの場合、重量や形状といった特徴量軸で設定した2次元平面上にリンゴとオレンジをプロットできます。重量が大きく球形に近いデータ群（オレンジ）はある領域にクラスター化し、比較的軽量で非球形のデータ群（リンゴ）は別の領域にクラスター化します。SVMは、これらのクラスター間を分ける最大のマージンを持つ最適な直線（2次元の場合）を算出し、この決定境界（超平面）を用いて未知の果物画像を正確に分類します。
一方、2次元平面上で直線分離できない非線形データを分類するには、低次元空間のデータをより高次元空間へ写像する追加の処理ステップが必要となります。たとえば、ピザレストランを経営しており、最もロイヤルティの高い顧客層の居住地域を特定したい場合を想定します。データを分析すると、優良顧客は店舗の近くに集中して居住しており、来店頻度の低い顧客はその周囲にさまざまな距離で環状に分布していることが判明します。このデータを2次元グラフにプロットすると、ロイヤルティの高い顧客群が中央の円を形成し、その周りをその他の顧客群が取り囲むドーナツ型の分布パターンを示します。しかし、このデータ分布は非線形であるため、2次元平面上で直線を1本引くだけでは、両グループを明確に分離することは不可能です。
そこでSVMでは、データを高次元空間へ写像したときの内積を元の空間のまま計算できるカーネル関数と、これを利用したカーネルトリックと呼ばれる数理的アプローチを活用します。データをより高次元の空間へと計算上変換させることで、低次元では複雑であった非線形データ群に対し、グループ間を最大のマージンで区切る高次元の超平面を算出することが可能になります。こうした非線形変換において最も広く利用されているのが、複雑な非線形データの分類に極めて適した放射基底関数（RBF: Radial Basis Function）カーネルです。
SVMの主要な構成要素
すべてのSVMは、以下の核となる構成要素によって構築されます。
1.超平面（ハイパープレーン）
超平面は、異なるカテゴリのデータ群を区切る決定境界です。2次元空間では直線、3次元空間では平面、それ以上の高次元空間では超平面と呼ばれる平らな境界として表現されます。SVMは、各カテゴリを最も効果的かつ明確に分ける最適な超平面を算出します。
2.サポートベクター
超平面に最も近く位置し、決定境界の決定に直接的な影響を与えるデータポイントをサポートベクターと呼びます。サポートベクターは決定境界の定義において数学的に最も重要な境界サンプルであり、これらのデータポイントを削除すると超平面の位置や傾きそのものが変化します。
3.マージン
マージンとは、超平面と各クラスから最も近いデータポイントとの間の距離を指します。サポートベクターマシンは、このマージンを最大化することで、カテゴリ間に可能な限り頑健な境界を生成します。
4.カーネル関数
データをより高次元の空間へ変換し、線形分離を可能にする数学関数です。カーネル関数を活用することで、サポートベクターマシンは元のデータ空間において曲線の境界を特定し、複雑な非線形データを適切に扱うことが可能になります。
5.正則化パラメータ
通常Cという記号で表記され、マージンの最大化と分類誤差の最小化とのバランスを制御するハイパーパラメータです。Cの値を高く設定すると広いマージンよりも誤分類の回避を優先し、Cの値を低く設定すると一定の分類誤差を許容する代わりに広いマージンの確保を優先します。
6.ガンマ
ガンマ値は、決定境界が学習データにどの程度厳密に追従するかを制御するハイパーパラメータです。ガンマ値が高く設定されている場合、個々のデータポイントの配置に細かく合わせた非常に局所的な決定境界が生成されます。一方、ガンマ値が低い場合は、データの微細な変動を平滑化し、全体的な傾向を捉えた一般化された決定境界が生成されます。
7.スラック変数
完全な線形分離が不可能なデータセットにおいて、一部のデータポイントがマージン内部や超平面の反対側に存在することを許容するための変数です。一定程度の誤分類や境界越えを許容することで、ノイズやデータの重複を含む現実のデータセットに対しても頑健なモデル構築が可能になります。なお、スラック変数を使わずにすべてのデータを誤りなく分離することを前提とするSVMをハードマージンSVM、スラック変数によって一定の誤分類を許容するSVMをソフトマージンSVMと呼びます。現実のデータにはノイズが含まれるため、実務ではほとんどの場合ソフトマージンSVMが使われます。
SVMの仕組み
サポートベクターマシンがデータを処理し、分類モデルを構築する際の主要な5つのステップは以下の通りです。
ステップ 1：入力データの高次元特徴量空間へのマッピング
非線形のデータを扱う場合、サポートベクターマシンはカーネル関数を用いて元の入力データを受け取り、線形分離が可能な高次元空間へと変換します。この処理は非線形データを扱う上で不可欠であり、元の低次元空間では複雑な曲線の決定境界であったものが、変換後の高次元空間では直線の超平面として表現可能になります。
ステップ 2：マージンを最大化する最適な超平面の特定
サポートベクターマシンは、異なるクラス間でマージンが最も大きくなる超平面（決定境界）を特定します。境界に最も近いデータポイントであるサポートベクターに着目し、各クラスにおけるこれらの重要な点からの距離が最大となる位置へ超平面を配置します。
ステップ 3：スラック変数による重複データやノイズデータの処理
クラスの重複やノイズデータの影響により完全な線形分離が困難な場合、サポートベクターマシンはスラック変数を導入し、一定の誤分類を許容します。その際、正則化パラメータ（C）を用いてマージンの最大化と分類誤差の最小化とのバランスを制御します。
ステップ 4：最適なパフォーマンスに向けたパラメータの最適化
正則化パラメータ（C）、ガンマ、カーネル関数の選定といった主要なハイパーパラメータを調整し、予測精度を維持しながら未知のデータに対しても高い汎化性能を発揮する適正なモデル構造を構築します。これにより、学習データに過剰に適合して未知のデータに対する予測性能が低下する過学習を回避します。
ステップ 5：超平面の位置に基づく新規データの分類
未知の新規データポイントに対して、学習済みのサポートベクターマシンは同様のカーネル変換を適用し、各データポイントが学習された超平面のどちら側に位置するかを分類します。また、超平面からの距離は、分類結果の確からしさの目安になります。ただし、これは確率ではないため、確率として扱う場合は後述のプラット補正などが必要です。
SVMの種類
サポートベクターマシンには、主に以下の5種類が存在します。
線形サポートベクターマシン
線形サポートベクターマシンは、データを直線または平面状の超平面で明確に分離できる場合に使用されます。カーネル変換による高次元への空間変換を行わないため、計算効率に優れ、モデルの予測プロセスの解釈も容易です。
非線形サポートベクターマシン
非線形サポートベクターマシンは、データ群の線形分離が困難な場合、カーネル関数を活用してデータをより高次元の空間へと写像します。これにより、元のデータ空間において曲線の決定境界が構築され、典型的なドーナツ型のデータセットに代表される高度に複雑な非線形データパターンの分類に高い効果を発揮します。
1クラスサポートベクターマシン
1クラスサポートベクターマシンは異常検知や外れ値検知に特化して設計された手法であり、正常なデータ群の周囲の境界を学習し、その境界の外側に位置するデータを外れ値や異常値として検出します。この手法は、金融機関における不正検知や製造業における品質管理アプリケーションなどで幅広く活用されています。
サポートベクター回帰（SVR）
サポートベクター回帰は分類タスクではなく、連続値の予測を目的としてサポートベクターマシンのアルゴリズムを応用した手法です。データを異なるカテゴリに分割する境界線を引くのではなく、一定の誤差領域を許容しながらデータポイント群に最も適合する曲線を算出します。価格変動、気温の変化、売上予測などの定量的推論に使用されます。
マルチクラスサポートベクターマシン
マルチクラスサポートベクターマシンは、複数の単一サポートベクターマシンを組み合わせることで、3つ以上のカテゴリが関係する多クラス分類タスクに対応する手法です。標準的なサポートベクターマシンは2クラス分離に特化しているため、One-vs-RestやOne-vs-Oneなどの手法を用いて複数の分類器を連携させ、たとえば果物の画像をリンゴ、オレンジ、バナナの複数カテゴリへ正確に自動分類します。
実務におけるSVMの活用例
サポートベクターマシンは、機械学習が組み込まれた広範なエンタープライズ領域で活用されています。主なユースケースは以下の通りです。
画像分類
ピクセルパターンを迅速に解析し、視覚的特徴量を高度に分離する能力を備えたサポートベクターマシン分類アルゴリズムは、ディープラーニングの普及以前から画像認識に用いられてきた手法で、特徴量を抽出したうえで分類する用途では現在も利用されています。医療画像解析におけるX線画像やMRIからの腫瘍検出といった医療現場での活用をはじめ、セキュリティシステムにおける顔認証や防犯ソリューションなどで幅広く導入されています。
テキスト分類およびスパム検知
サポートベクターマシンは、単語の出現パターンと言語的な特徴量を解析することで、電子メール、各種ドキュメント、Webコンテンツを適切なカテゴリへ自動的に分類します。主要な電子メールプロバイダーでは、正常な送信メッセージと、不要なプロモーションメールやフィッシングなど悪意のあるコンテンツとを高精度に判別するスパムフィルタリングエンジンとして利用されています。
バイオインフォマティクス
複雑な生体データパターンを解析することで、DNAシーケンスの分類、タンパク質構造の予測、および疾患に関連する遺伝子マーカーの特定を支援します。特に、遺伝子発現プロファイルに基づいて腫瘍の特定を行うがん研究領域において高い有用性を発揮します。
手書き文字認識
スキャンされたドキュメント内のストロークパターン、文字の形状、空間的配置関係を解析することにより、手書きテキストをデジタルデータへ高精度に変換します。郵便事業における郵便物の住所自動読み取りや、金融機関における手書き小切手や各種申請書類の自動処理システムなどに導入されています。
不正検知
利用者の支出パターン、取引金額、取引発生場所、時間軸データを多角的に解析し、不正の疑いがある金融取引に対してリアルタイムでフラグを付与します。クレジットカード会社や銀行では、異常値を検知して顧客を未承認取引から保護するために活用されています。
さらに、サポートベクターマシンは創薬分野における分子挙動の予測や有効な医薬品化合物の特定においても幅広く応用されています。加えて、ユーザーの嗜好や行動パターンを解析して、最適なコンテンツや商品を提示するストリーミングサービスやEコマースプラットフォームのレコメンデーションにおける嗜好の分類モデルとしても活用されています。
SVMのメリットと欠点
サポートベクターマシンは、あらゆる機械学習のユースケースに対して常に最適であるとは限りません。このアルゴリズムを運用する上での主なメリットと制限事項は以下の通りです。
サポートベクターマシンを活用する主なメリット
高い予測精度：サポートベクターマシンは、多様なデータセットに対して一貫して優れた分類性能を発揮します。分類が極めて困難な境界付近のデータポイント（サポートベクター）に集中的に着目し、クラス間のマージンを可能な限り最大化することで、未知の新規データに対しても優れた汎化性能を示す頑健な決定境界を構築します。
高次元空間における優れた処理能力：数千個の遺伝子データを同時に解析するケースのように、膨大な特徴量を持つデータの処理において、他の多くのアルゴリズムよりも優れた適合性を示します。多次元化に伴い予測性能が低下しやすい一般的な手法とは異なり、サポートベクターマシンは全データの微細な挙動を網羅しようとするのではなく、最適な決定境界を同定することに処理を特化させるため、高次元データセットにおいても極めて高い精度を発揮します。
小規模データセットに対する優れた適応性：サポートベクターマシンは、学習データが限定的である場合でも信頼性の高いモデルを構築可能です。そのため、学習データを大量に集めにくい医療研究やバイオインフォマティクスなどの分野に適しています。強固な数理的基礎に基づき、最小限のデータサンプルから判定に必要な情報を最大化して抽出するため、データが乏しい環境で他のアルゴリズムが直面しやすい過学習を効果的に回避します。
優れたメモリ効率：サポートベクターマシンは、推論時には学習データセット全体をメモリ上に保持するのではなく、モデルの記述に必要なサポートベクター（決定境界近傍の重要なデータポイント）のみを保持します。これにより、推論実行時の計算効率が向上し、ストレージ容量およびメモリ使用量を大幅に削減します。この特性は、計算リソースに制約のある環境において極めて大きな利点となります。
高い柔軟性と汎用性：適用する数学関数（カーネル関数）を変更または選択するのみで、単純な線形分離問題から複雑な非線形境界パターンまで幅広く対応可能です。同一の基本的なサポートベクターマシンアルゴリズムを活用しつつ、課題のデータ特性に応じた適切なカーネルを選定することで、極めて広範で多様なデータ分析タスクに適用できます。
サポートベクターマシンの主な制限事項
大規模データセットにおける高い計算コスト：サポートベクターマシンの学習に要する計算時間は、データポイント数の増加に伴い二次あるいは三次関数的に急増します。そのため、大規模なデータセットを扱う場合、処理効率が低下し、膨大な計算リソースおよびメモリを消費します。数百万件規模のデータ処理には多大な時間を要するため、処理速度が優先されるビッグデータ処理基盤においては、他のアプローチが好まれるケースがあります。
カーネル選定および設定に対する高い感度：不適切なカーネル関数を選択した場合、サポートベクターマシンの予測性能や精度が大幅に低下するリスクが存在します。データの幾何学的パターンによって最適なカーネル構造は異なり、万能な単一の最適選択ルールは存在しません。各課題に最適化されたモデル構成を決定するためには、詳細な実験（ハイパーパラメータのグリッドサーチなど）と高度なドメイン知識が必要となります。
クラスの重複に対する限定的な適合性：クラス間に大きな重複が存在し、互いに複雑に混在しているデータ構造においては、明確な分離境界の生成が困難になります。異種クラスのデータポイントが同一領域内に分散している場合、サポートベクターマシンは過剰に複雑な決定境界を構築してしまい、結果として未知の新規データに対する汎化性能が低下するリスクが高まります。
確率的出力の制約：他の一般的な学習アルゴリズム（ロジスティック回帰など）とは異なり、サポートベクターマシンは標準仕様として事後確率推定値や分類信頼度を出力する構造を持ちません。プラット補正などの追加計算によって確率出力を算出することは可能ですが、相応の計算コストが生じる上、本来的に確率モデルとして設計されたアルゴリズムと比較して絶対的な信頼性が劣る場合があります。
モデルの解釈性の欠如：高次元空間への写像や複雑なカーネル変換を伴う場合、サポートベクターマシン構築モデルはブラックボックス化しやすく、特定の判定結果に至った論理的要因を人間が直感的に把握することは困難です。このような解釈可能性の欠如は、意思決定の根拠や規制コンプライアンス遵守が厳格に求められる医療診断や金融与信などの領域において課題となります。
ノイズや外れ値に対する高い感度：データセット内に外れ値やラベル誤りのあるデータポイントが存在する場合、サポートベクターマシンはそれらのデータに対して過剰に影響を受けやすい傾向があります。ランダムフォレストなどのアンサンブル手法とは異なり、学習プロセスにおいて異常値データポイントを過大に評価することで決定境界が歪み、モデル全体の予測精度が著しく低下する場合があります。
SVM実装時のベストプラクティス
サポートベクターマシンを実務環境へ導入するにあたり、以下の5つのベストプラクティスを推奨します。
1.特徴量スケーリングの徹底
サポートベクターマシンは、各特徴量のスケールに大きな乖離が存在する場合、距離の算出において大きい値を持つ特徴量に判定が著しく歪められます。そのため、年齢や年収などの尺度が異なる各特徴量に対して、標準化や正規化を施し、同等の数値範囲へ統一することが不可欠です。
2.データの性質に応じたカーネル関数の選定と実験
選択するカーネル関数によって捉えられるデータの幾何学的パターンは異なります。そのため、複数のカーネル候補に対して交差検証などを実施し、データ構造に最適なカーネルを選定する必要があります。
- 線形カーネル：高次元データや特徴量数が非常に多いデータのベースラインとして適用を推奨します。
- RBFカーネル：非線形なパターンや境界形状が複雑なデータセットに有効です。
- 多項式カーネル：データ間において明瞭に構造化された相互作用や高次関係が存在する場合に検討します。
3.交差検証によるパラメータチューニング
データを複数のサブセットに分割して評価する体系的な検証プロセスを通じ、正則化パラメータ（C）やガンマなどの適切な組み合わせをグリッドサーチなどで探索します。これにより過学習を防ぎ、未知のデータセットに対する予測精度を最大化する最適なハイパーパラメータを算出します。
4.検証データセットを活用した過学習のモニタリング
モデルの構築およびパラメータ調整のプロセスにおいて、学習処理には使用しない独立した検証データセットを確保し、未知データに対する予測性能を計測します。訓練精度が検証精度と比較して著しく高い挙動を示す場合は過学習が発生しているため、C値やガンマ値を引き下げてモデルの決定境界の複雑性を緩和します。
5.不均衡データセットへの適正な対処
正常データと異常データの比率に著しい偏りがある場合（例：正常メール1,000件に対してスパムメール50件など）、多数派クラスへ予測が偏向するリスクが生じます。この問題に対しては、各クラスに対する損失関数の重み付けの調整や、アンダーサンプリング、オーバーサンプリングなどのデータリサンプリング手法を適用します。主要な機械学習ライブラリや分析プラットフォームでは、クラス重み付けの自動補正機能が提供されています。
結論
サポートベクターマシンは、異なるデータクラス間に頑健な決定境界を構築できる優れた能力を備えており、機械学習アルゴリズムの中でも信頼性の高い手法の一つです。学習データの件数が制限されている環境や、高い推論精度が要求されるユースケースにおいて格段の価値を発揮します。
医療診断、金融取引における不正検知、遺伝子配列の分類、スパムフィルタリング、手書き文字認識システムなど、多種多様な実践的アプリケーションにおいて優れたパフォーマンスを示します。特に、数千規模の特徴量を持つ遺伝子データの解析や、膨大な語彙を含む自然言語テキストの処理など、現代のデータサイエンスにおける高次元データの課題解決において非常に有用な選択肢となります。
高精度かつ頑健な決定境界の構築が求められるタスクにおいて、学術研究か産業応用かを問わず、現在も強力で不可欠な分析エンジンであり続けています。
SVMに関するよくある質問
SVMは教師あり学習ですか？
はい、SVMは教師あり学習のアルゴリズムです。「スパム」「スパムではない」のように、正解のラベルが付いたデータを学習して、分類の境界線を決めます。回帰に応用したサポートベクター回帰（SVR）も、正解の数値が付いたデータを使う教師あり学習です。
例外として、1クラスSVM（One-Class SVM）は、正常なデータだけを使って「正常な範囲」の境界を学習し、その外にあるデータを異常として検出します。異常かどうかのラベルを必要としないため、教師なし学習（または半教師あり学習）の手法として異常検知に使われます。
SVMはどのようなユースケースに最適ですか？
サポートベクターマシンは、学習データのサンプル数が限定的である一方、極めて高い予測精度が求められる分類タスクにおいて最大の効果を発揮します。特に、テキスト分類や画像解析のように、多数の特徴量（高次元データ）を含む複雑なデータ構造の処理に適しています。
カーネルトリックはどのように機能しますか？
カーネルトリックとは、計算上データを高次元空間へ射影した状態を作り出すことで、元の空間では不可能な非線形データの分離を可能にする数学的手法です。データを実際に高次元へ変換すると膨大な処理時間を要しますが、カーネル関数は低次元空間のデータのまま内積計算のみを行うことで、高次元空間での直線の超平面分離と同等の効果をもたらします。
これにより、従来の線形分離アルゴリズムを維持したまま、元のデータ空間上に曲線の複雑な決定境界を生成できます。
ハードマージンとソフトマージンの違いは何ですか？
ハードマージンは、すべての学習データを境界線で完全に分けることを前提にした考え方です。境界線とマージンの内側には、1つもデータが入ることを許しません。データがきれいに分かれている場合にしか使えず、外れ値が1つあるだけで境界線が大きく変わってしまいます。
ソフトマージンは、スラック変数を使って一部のデータがマージンの内側や反対側に入ることを許す考え方です。どこまで許すかは正則化パラメータCで調整し、Cを大きくするほどハードマージンに近づきます。現実のデータにはノイズや重なりがあるため、実務で使われるSVMのほとんどはソフトマージンです。
SVMはどのように回帰分析（SVR）に応用されますか？
サポートベクター回帰（SVR: Support Vector Regression）は、サポートベクターマシンの基本アルゴリズムを連続値の予測に応用した手法です。カテゴリ間を分ける決定境界を引き直すのではなく、データポイント群全体へ最も適合する回帰線を構築します。SVRの最大の特徴は、予測線の周囲に一定の許容誤差領域を設定する点です。実際のデータ値がこの許容誤差範囲内に収まっている限り、誤差としてペナルティを課さないアプローチをとることで、ノイズに強い回帰モデルを実現します。
