Thuật toán SVM, hay còn gọi là "Support Vector Machine" (Máy vector hỗ trợ), là một công cụ tuyệt vời trong lĩnh vực học máy. Nó không chỉ giúp chúng ta thực hiện phân loại dữ liệu một cách hiệu quả mà còn làm điều đó bằng cách, theo một cách nào đó, "đùa bỡn" với không gian vector.

Hãy tưởng tượng bạn có một tập hợp dữ liệu ở hai chiều, với hai loại điểm khác nhau. Nhiệm vụ của SVM là tìm một đường (hoặc một siêu phẳng trong không gian nhiều chiều) để phân chia hai loại dữ liệu này. Mục tiêu là chọn một đường mà khoảng cách giữa nó và các điểm gần nhất của cả hai loại là lớn nhất, để có một "vùng hoàn hảo" phân tách hai loại.

Bây giờ, hãy tưởng tượng hai loại này bị trộn lẫn với nhau đến mức đường thẳng nào cũng bất lực. SVM có một chiêu độc: "hãy thêm chiều". Bằng cách biến đổi dữ liệu vào một không gian nhiều chiều hơn, nó làm cho việc phân chia dữ liệu trở nên dễ dàng hơn. Đây gọi là nhân kernel (kernel trick). Sau đó, áp dụng một siêu phẳng trong không gian nhiều chiều này, và ookla!, phân tách hoàn hảo giữa hai loại.

Một số loại kernel phổ biến gồm:

1. Linear: khi dữ liệu đã ở đúng không gian.
2. Polynomial: dữ liệu cần vài chiêu trò đa thức.
3. RBF (Radial Basis Function): là vua của không gian nhiều chiều cho các dạng phức tạp.

Khi dùng SVM, bạn sẽ gặp phải những con số thú vị như C (một dạng kẻ bảo kê cho lỗi phân loại) và gamma (mạnh mẽ quyết định phạm vi ảnh hưởng của một điểm đơn lẻ). Tối ưu hóa những tham số này giúp SVM trở thành siêu sao phân loại.

Nếu bạn còn tò mò và mê mẩn thế giới SVM, đừng ngại ghé thăm trituenhantao.io để kiến thức của bạn được nâng lên tầm cao mới và để một chút AI bay lượn trong ngày của bạn!