線形分離可能とは、データ集合を直線や平面、超平面を用いて完全に2つのクラスに分類できる状態を指します。機械学習における最も基礎的な概念であり、初期のニューラルネットワークであるパーセプトロンが解くことのできる限界の境界線でもありました。現実世界の複雑なデータを扱う際は、非線形な境界線を引く工夫や高次元への写像が必要になります。
線形分離可能とは
「線形分離可能」とは、データ集合において、2つの異なるクラスに属するデータを直線（2次元の場合）や平面（3次元の場合）、または「超平面」（高次元の場合）を用いて完全に2つに分割できる状態を指します。機械学習やパターン認識の分野における最も基本的な概念の一つです。
詳しく解説
機械学習における分類タスクでは、入力データを特徴量に基づいて適切なクラスに分類することが求められます。線形分離可能であるデータセットは、境界線が直線的な関係で表せるため、非常にシンプルな数式で判定モデルを構築できます。初期の「ニューラルネットワーク」である単純「パーセプトロン」は、この線形分離可能な問題しか解くことができないという限界がありました。しかし、データの次元数を増やす、あるいはカーネル法を用いることで、本来は線形分離不可能なデータも高次元空間上で線形分離可能な状態へと変換して処理する「サポートベクターマシン」などの技術が発展しました。
具体例・使われ方
2次元平面上での具体的なイメージとして、赤い点と青い点が散布図にプロットされている状況を考えます。定規を1回だけ当てて、直線を引くことで赤い点のグループと青い点のグループを完全に左右または上下に切り離すことができれば、そのデータは線形分離可能です。例えば、リンゴとバナナを色と形状という2つの特徴量で分類する場合、シンプルな直線で切り分けることができるため線形分離可能と言えます。
似た用語との違い
対比される概念として「非線形」分離可能、あるいは線形分離不可能があります。これは、どのような直線を引いてもデータを2つのグループに完璧に分けることができない状態を指します。代表的な例として「排他的論理和」問題（XOR問題）が挙げられます。XOR問題では、データが対角線上に配置されるため、1本の直線では決して分類できず、曲線の境界線や、複数の直線を組み合わせる必要があります。
注意点
現実世界の多くの複雑なデータ（画像、音声、自然言語など）は、そのままの状態では線形分離可能ではないことがほとんどです。そのため、単純な「パーセプトロン」のような線形モデルだけでは実用的な精度を出すことが困難です。この限界を克服するために、層を深くした多層「ニューラルネットワーク」や、データを高次元に写像する手法が現代のAI技術では不可欠となっています。また、ノイズが含まれるデータに対して無理に線形分離を行おうとすると、過学習を引き起こす原因にもなります。