マージン最大化は、機械学習の分類問題において、データを分割する決定境界と最も近いデータ点との距離（マージン）を最大にするように境界を決定する手法です。サポートベクターマシンなどで中心となる概念であり、未知のデータに対する予測の正確さを示す汎化性能を高めるために極めて重要な役割を果たします。
マージン最大化とは
マージン最大化とは、機械学習における境界線（決定境界）の引き方を決める際、分類するグループ（クラス）の最も境界に近いデータ点からの「隙間の広さ（マージン）」が最大になるように境界を設定するアプローチのことです。
詳しく解説
マージン最大化は、特にサポートベクターマシンにおいて最も重要な基本原理です。分類モデルを構築する際、クラスを分ける境界線は無数に引くことができます。しかし、境界線が特定のデータ点に近すぎると、わずかなノイズや新しいデータに対して誤判定を起こしやすくなります。そこで、境界線から各クラスの最も近いデータ点までの距離を計算し、その距離が最大となるような「超平面」を決定境界として採用します。これにより、データに多少の誤差が含まれていても正しく分類できる頑健なモデルが構築され、学習データ以外のデータに対する予測精度である汎化性能を大幅に向上させることができます。
具体例・使われ方
例えば、赤いボールのグループと青いボールのグループを1本の直線（決定境界）で分ける場合を考えます。2つのグループの隙間に道路を通すイメージです。この道路の幅（マージン）が最も広くなるように道路の真ん中に線を引く作業がマージン最大化です。道路の幅が広ければ広いほど、新しく飛んできたボールがどちらのグループに属するかを判定する際に、境界線の近くでも迷わずに分類できるようになります。
似た用語との違い
混同されやすい概念として、単なる「誤分類の最小化」があります。これは学習データに対する正解率を上げることを優先しますが、境界線の位置までは最適化しません。そのため、決定境界が特定のデータ点に極めて近い不適切な位置に引かれることがあります。一方、マージン最大化は境界とデータの距離自体を最大化することを目指すため、データの分布に対してより安定した境界を引くことができます。また、全てのデータを完全に分離することを目指す手法に対し、多少の誤分類や境界への侵入を許容して柔軟に決定境界を決定する「ソフトマージン」という拡張概念もあります。
注意点
マージン最大化は非常に強力な概念ですが、データが完全に線形分離できない複雑な場合には、そのまま適用するのが困難です。また、外れ値の影響を受けやすく、外れ値を考慮しすぎると不自然な境界が生成され、結果として汎化性能が低下することがあります。そのため、前述したソフトマージンの適用や、カーネル法などを用いた高次元空間への写像といった技術と組み合わせて利用されるのが一般的です。