このレッスンでは、ソフトマージンの線形 SVM（低コスト・広いマージン）が、ハードマージン（高コスト・狭いマージン）よりも高い精度を示した例を見ました。次の文を最も適切に完成させる選択肢はどれでしょうか。
線形ソフトマージン分類器が最も有用になりやすいのは：
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、単純な1次元の例を通して、Support Vector Machineの主要な概念を紹介します。次の章で使用する線形分離可能なデータセットの作成手順についても説明します。
線形分離可能なデータセットにsvmアルゴリズムを適用することで、Support Vector Machineの基本概念を紹介します。アルゴリズムの出力から作成したggplotの可視化を通じて重要な概念を示し、コストパラメータの役割をシンプルな例で強調します。章の最後では、このアルゴリズムが多クラス問題をどのように扱うかを解説します。
現在の演習
円形の決定境界をもつ放射状に分離可能なデータセットを用いて、多項式カーネルを導入します。まず線形カーネルがこのデータセットには不十分であることを示し、簡単な変換によって問題が線形分離可能になる様子を通じて、カーネルトリックの直感的な議論へとつなげます。続いて、多項式カーネルを適用して分類器を学習し、チューニングを行います。
これまでの3章を踏まえ、柔軟性の高いRadial Basis Function (RBF) カーネルを紹介します。まず、多項式カーネルの限界が現れる「複雑な」データセットを作成します。その後、RBFカーネルを導入する直感的な動機づけを行い、本コースで扱った他のカーネルの弱点をどのように克服するかを確認します。
