はじめに 前回の記事ではscikit-learnのiris(あやめ)のデータを使ってロジスティクス回帰による分類問題に挑戦しました。使用したデータは、比較的素直な分類しやすいデータだったので、ロジィステック回帰でも適度な分類ができたと思います。 しかし、実際のデータはそう簡単に分類できないものも多くあります。特にデータの中で潜在的に分割できるポイントがあればいいのですが、実際はそうとは限りません。考えてみれば当然で、ぱっと見でデータに相関関係が見て取れる場合、そのデータを分析に回すことはないでしょう。 本記事ではこうしたカンタンに分類できないデータ(線形分類不能なデータを)分類する方法として、scikit-learnの分類アルゴリズムであるサポートベクターマシン(SVM)をご紹介します。本格的にSVMを理解しようとすると大学院レベルの数学が必要となりますので、あまり内部のメカニズムには立ち
![線形分類不能なデータでもサポートベクターマシンがあれば大丈夫です!【サンプルコード有り】 | 自動化ラボっ!](https://cdn-ak-scissors.b.st-hatena.com/image/square/c1c74067d816d05b3ec636e596662951eff6d98a/height=288;version=1;width=512/https%3A%2F%2Fjidouka-labo.com%2Fwp-content%2Fuploads%2F2021%2F05%2Fpexels-pixabay-373543.jpg)