サポートベクトルマシン（SVM）

データ間のマージン（境界からの距離）を最大化する超平面を求めて分類を行う機械学習アルゴリズム。カーネルトリックにより非線形分類にも対応できる。SVMとも略される。

データ間のマージン（境界からの距離）を最大化する超平面で分類を行う機械学習手法。カーネルトリックにより非線形分類にも対応でき、汎化能力が高い。少数のサポートベクトルで決定境界が定まるため、解釈性にも優れる。

分類の境界線（超平面）と、それに最も近いデータ点（サポートベクトル）との距離（マージン）が最大になるように境界を決める教師あり学習の手法。カーネル法を使うと、データを高次元の空間に写して非線形の分類にも対応できる。少ないデータでも汎化性能が高い。

入力データと正解（ラベル）の組を大量に学習させ、未知のデータに対する正解を予測するモデルを作る機械学習の手法。数値を予測する回帰と、所属するクラスを判定する分類があり、売上予測、り患予測、成約予測、離反予測などに使われる。正解付きのデータを用意する費用と、その品質が精度を左右する。

教師あり学習の課題のうち、売上高や価格のような連続した数値を予測するもの。線形回帰、決定木、ニューラルネットワークなどのモデルを使い、予測の誤差をRMSEやMAE、当てはまりのよさを決定係数で評価する。カテゴリを予測する分類と並ぶ、教師あり学習の基本的な課題の種類である。

分類モデルの評価指標の一つで、全データのうち予測が正解と一致した割合。混同行列では（TP＋TN）÷（TP＋TN＋FP＋FN）で求める。直感的に分かりやすいが、陽性が1%しかないデータでは全件を陰性と予測しても99%になるように、クラスの偏ったデータでは性能を正しく表さないので、適合率や再現率と併せて見る。

ROC曲線の下側の面積で、分類モデルの性能をしきい値によらずに表す評価指標。0から1の値をとり、1に近いほどよく0.5はランダムな予測に当たり、無作為に選んだ陽性のデータに、陰性のデータより高いスコアを付ける確率と解釈できる。陽性が極めて少ないデータでは、PR曲線の下の面積も併せて見る。

サポートベクトルマシンで、クラスを分ける境界（超平面）と、それに最も近い学習データ（サポートベクトル）との距離。マージンを最大にする境界を選ぶと、未知のデータに対しても誤分類しにくい。すべてのデータを正しく分けることを求めるハードマージンと、誤分類やマージン内への侵入をペナルティ付きで許すソフトマージンがあり、後者ではペナルティの重みが過学習の度合いを決めるハイパーパラメータになる。

入力をまず分類し、種類ごとに用意した専用のプロンプト、処理、モデルに振り分けるAIエージェントのワークフロー。例えば問合せを返金、技術的な質問、一般的な質問に分けて別々に処理したり、簡単なものを小さなモデルに回したりする。種類ごとに処理を最適化でき、1つのプロンプトですべてに対応させるより精度が上がる。