サポートベクターマシン（SVM）に関する説明として、最も適切なものを選べ。
- 1決定境界と、それに最も近い各クラスのデータ点との距離（マージン）が最大になるように境界を決める
- 2全データ点から決定境界までの距離の合計が最小になるように境界を決める
- 3カーネルトリックを使う場合は、データを高次元空間へ写像した後の座標を明示的に計算しなければならない
- 4線形分離できないデータには原理的に適用できない
正解と解説を見る
正解：1
SVMは、境界に最も近いデータ点（サポートベクター）とのマージンを最大化することで、汎化性能の高い決定境界を求めます。カーネルトリックでは高次元空間での内積をカーネル関数で直接計算するため、写像後の座標を明示的に求める必要はありません。また、カーネルトリックや、誤分類をある程度許すソフトマージンを使えば、線形分離できないデータにも対応できます。SVMのキーワードは「マージン最大化」と「カーネルトリック」です。
根拠：サポートベクターマシン（マージン最大化、ソフトマージン、カーネルトリック）