SVM

データを最適な超平面で分離するサポートベクターマシン（Support Vector Machine）。マージン最大化により高い汎化性能を実現し、線形・非線形問題の両方に対応可能な強力な機械学習アルゴリズム。

基本原理：
・マージン最大化：クラス間の境界を最大化
・サポートベクター：境界決定に最も重要なデータポイント
・カーネルトリック：高次元空間での線形分離
・正則化による過学習抑制

主要パラメータ：
・C：正則化パラメータ（小さい→アンダーフィット、大きい→オーバーフィット）
・kernel：カーネル関数（'linear', 'rbf', 'poly', 'sigmoid'）
・gamma：RBFカーネルの幅パラメータ
・degree：多項式カーネルの次数

カーネル関数の選択：
・linear：線形分離可能、高次元データ、解釈性重視
・rbf（ガウシアンカーネル）：非線形パターン、最も一般的
・poly：多項式の特徴、特定の非線形パターン
・sigmoid：ニューラルネット類似、特殊用途

実装のベストプラクティス：
・データの標準化は必須
・グリッドサーチによるハイパーパラメータ調整
・交差検証による性能評価
・クラス不均衡の場合はclass_weightを調整

実務での活用例：
・テキスト分類（スパム検知、感情分析）
・画像認識・パターン認識
・バイオインフォマティクス
・金融・リスク分析
・製造業での品質管理

メリット・デメリット：
メリット：高い汎化性能、カーネルトリックによる柔軟性、理論的基盤
デメリット：大規模データで計算コスト高、確率出力なし、解釈困難