経験損失最小化

色々な指標（性別・年齢など）から詳細に顧客の購買パターンを分析すると、あるルールがあるので、これに沿って、在庫をうまく管理したりして、大きな成功を収めた事例として、コンビニや各種小売業などが有名であることはよく知られています。

しかし、詳細に分析すればするほど、ルールが複雑になり、うまくいかなる場合があります。また、もっと予測が精度よくできれば、利益が最大化できるのではないかと考えたりするものですが、ここで問題になるのは未知の顧客（情報）に対して、最も良い答えを導くには一体どのようにすれば良いかということに尽きると考えられます。

もし、詳細に分析して、ほとんどの顧客の購買パターンをルール化できたと仮定すると、これを機械学習では

経験損失最小化

を行っていると言います。

しかし、「既知の顧客の購買パターンをルール化」することが果たして、未知の顧客に対して有効なのでしょうか？

この辺で諦める

というのも現実的ですが、理論的にはこれを避けることが可能です。

未知の情報に対する正解を最大化することを機械学習では

期待損失最小化

と呼びます。まさしくこれが、「予測」を行う上で重要です。

ここで、未知の情報は当然私達は知らないので、その正解を知る確率を最大化するのは不可能のように思われますが、何となく

経験損失最小化=期待損失最小化

となるような問題にもしなれば、うまくいく気がします。

これが

サポートベクターマシン

と呼ばれる珍妙なアルゴリズムの正当性を示す理論的背景となりました。