今回はサポートベクターマシン(Support Vector Machine:SVM)の学習に当たって、見つけた参考文献を列挙していこうと思います。
R言語でSVM(Support Vector Machine)による分類学習
無料で利用できる統計解析ソフトRを用いてサポートベクターマシンについて紹介してくれているブログです。
SVMの定番入門書「サポートベクターマシン入門(赤本)」の読み方
サポートベクターマシンを学習する上で役に立つ文献を紹介してくれています。
ところでサポートベクターマシンって何なの？
プログラムのコードと実践例が記されています。ただしコードはjavaの様です。
SVM を使うと，なにが嬉しいの？
サポートベクターマシンの手法としてのモチベーションが記されています。
SVMの最大の特徴は「マージン最大化」にある
識別境界の位置を決定する明確な基準を持っており、学習データの中で最も他クラスと近い位置にいるものを基準として、そのユークリッド距離が最も大きくなるような位置に識別境界を設定する。明確な基準を与えているということ自体、ノンパラメトリックな手法では他に例のないことで、SVMの最も優れた部分とされる。
Ｒとカーネル法・サポートベクターマシン
Rを用いたサポートベクターマシンの実践例が載ってあります。同志社大学のページなので、ちょっと信用度が高いかも。
SVMを使いこなす！チェックポイント8つ
・スケーリング（特徴量の修正）
・カテゴリ特徴量（ダミー変数の作成）
・カーネル関数
・パラメータ
・クロスバリデーション
・不均衡データ問題（パラメータC(コスト)を大きくする、データ数を揃える、アンダーorオーバーサンプリング）
・多クラス分類
・アンサンブル学習
サポートベクターマシン入門
産業技術総合研究所のレポートです。大変わかりやすい記述です。
痛快!サポートベクトルマシン : 古くて新しいパターン認識手法
ちょっと短めで、かつ古いのですが、大まかな流れをサクッと掴むには向いていると思います。
サポートベクターマシンによる倒産予測
卒業論文ですね。
企業格付判別のための SVM 手法の提案および逐次ロジットモデルとの比較による有効性検証
http://www.orsj.or.jp/~archive/pdf/j_mag/Vol.57_J_092.pdf
SVMについて
2クラスの分類しか記されていませんが、きれいにまとまった資料だと思います。
メモ
SVM
利点
・データの特徴の次元が大きくなっても識別精度が良い
・最適化すべきパラメータが少ない
・パラメータの算出が容易
欠点
・学習データが増えると計算量が膨大になる
（「次元の呪い」の影響が顕著）
・基本的には2クラスの分類にしか使えない