Support Vector Machine (SVM)

Support Vector Machine (SVM) là một thuật toán học có giám sát mạnh mẽ và linh hoạt, được sử dụng rộng rãi cho các bài toán phân loại và hồi quy. Không giống như nhiều thuật toán chỉ đơn thuần hướng tới việc giảm thiểu sai số huấn luyện, SVM tập trung vào việc tìm kiếm ranh giới tối ưu—được gọi là siêu phẳng (hyperplane)—để phân tách tốt nhất các điểm dữ liệu thành các lớp riêng biệt. Mục tiêu chính là tối đa hóa biên (margin), là khoảng cách giữa ranh giới quyết định này và các điểm dữ liệu gần nhất từ mỗi danh mục. Bằng cách ưu tiên sự phân tách rộng nhất có thể, model đạt được khả năng tổng quát hóa tốt hơn trên các dữ liệu mới chưa từng thấy, giúp giảm thiểu hiệu quả nguy cơ quá khớp (overfitting) so với các phương pháp đơn giản hơn như hồi quy tuyến tính (linear regression) tiêu chuẩn.

Link to this sectionCác cơ chế và khái niệm cốt lõi#

Để hiểu cách SVM hoạt động, việc hình dung dữ liệu được biểu diễn trong một không gian đa chiều, nơi mỗi chiều đại diện cho một đặc trưng cụ thể, sẽ rất hữu ích. Thuật toán điều hướng trong không gian này để khám phá ra sự phân tách hiệu quả nhất giữa các nhóm.

• Siêu phẳng tối ưu (Optimal Hyperplane): Mục tiêu trung tâm là xác định một mặt phẳng (hoặc siêu phẳng trong các không gian nhiều chiều hơn) để chia tách không gian đầu vào. Trong tập dữ liệu 2D đơn giản, điều này xuất hiện dưới dạng một đường thẳng; trong 3D, nó trở thành một bề mặt phẳng. Siêu phẳng tối ưu là siêu phẳng duy trì khoảng cách lớn nhất có thể đến các điểm dữ liệu gần nhất của bất kỳ lớp nào, đảm bảo sự phân biệt rõ ràng.
• Support Vectors: Đây là các điểm dữ liệu quan trọng nằm gần nhất với ranh giới quyết định. Chúng được gọi là "support vectors" vì chúng hỗ trợ hoặc xác định vị trí và hướng của siêu phẳng một cách hiệu quả. Việc sửa đổi hoặc loại bỏ các điểm dữ liệu khác thường không gây ảnh hưởng đến model, nhưng việc di chuyển một support vector sẽ làm thay đổi ranh giới một cách đáng kể. Khái niệm này là trung tâm cho hiệu suất của SVM, như đã được trình bày chi tiết trong tài liệu hướng dẫn về SVM của Scikit-learn.
• Kernel Trick: Dữ liệu thực tế, chẳng hạn như các tập dữ liệu phức tạp về xử lý ngôn ngữ tự nhiên (NLP), hiếm khi có thể phân tách tuyến tính. SVM giải quyết hạn chế này bằng cách sử dụng một kỹ thuật gọi là "kernel trick", giúp chiếu dữ liệu vào một không gian nhiều chiều hơn, nơi một bộ phân tách tuyến tính có thể phân chia các lớp một cách hiệu quả. Các kernel phổ biến bao gồm Radial Basis Function (RBF) và các kernel đa thức, cho phép model nắm bắt được các mối quan hệ phi tuyến tính phức tạp.

Link to this sectionSVM so với các thuật toán liên quan#

Việc phân biệt SVM với các kỹ thuật machine learning khác giúp các chuyên gia lựa chọn công cụ chính xác cho các dự án mô hình hóa dự báo (predictive modeling) của mình.

• Logistic Regression: Cả hai đều là các bộ phân loại tuyến tính, nhưng mục tiêu tối ưu hóa của chúng khác nhau đáng kể. Logistic Regression mang tính xác suất, tối đa hóa khả năng xảy ra của dữ liệu quan sát được, trong khi SVM mang tính hình học, tối đa hóa biên giữa các lớp. SVM có xu hướng hoạt động tốt hơn trên các lớp được phân tách rõ ràng, trong khi Logistic Regression cung cấp các đầu ra xác suất đã được hiệu chuẩn.
• K-Nearest Neighbors (KNN): KNN là một thuật toán học dựa trên thực thể, phi tham số, phân loại một điểm dựa trên lớp đa số của các hàng xóm của nó. Ngược lại, SVM là một model tham số học một ranh giới toàn cục. SVM nhìn chung cung cấp độ trễ suy luận (inference latency) nhanh hơn sau khi huấn luyện vì chúng không cần phải lưu trữ và tìm kiếm toàn bộ tập dữ liệu trong quá trình thực thi.
• Decision Trees: Decision tree chia không gian dữ liệu thành các vùng hình chữ nhật bằng các quy tắc phân cấp. SVM có thể tạo ra các ranh giới quyết định cong, phức tạp thông qua các kernel, điều mà các decision tree có thể gặp khó khăn khi xấp xỉ mà không trở nên quá sâu và dễ bị quá khớp.
• Deep Learning hiện đại (ví dụ: YOLO26): SVM thường dựa vào kỹ thuật đặc trưng (feature engineering) thủ công, nơi các chuyên gia chọn lọc các đầu vào phù hợp. Các model tiên tiến như Ultralytics YOLO26 vượt trội trong việc trích xuất đặc trưng (feature extraction) tự động trực tiếp từ ảnh thô, khiến chúng vượt trội hơn hẳn cho các tác vụ nhận thức phức tạp như phát hiện đối tượng (object detection) và phân đoạn đối tượng (instance segmentation) thời gian thực.

Link to this sectionCác ứng dụng trong thực tế#

Support Vector Machines vẫn rất phù hợp trong nhiều ngành công nghiệp nhờ độ chính xác và khả năng xử lý dữ liệu nhiều chiều.

• Tin sinh học (Bioinformatics): SVM được sử dụng rộng rãi cho dự đoán cấu trúc protein và phân loại gen. Bằng cách phân tích các trình tự sinh học phức tạp, các nhà nghiên cứu có thể xác định các mô hình liên quan đến các loại bệnh cụ thể, hỗ trợ chẩn đoán sớm và cá nhân hóa y học.
• Phân loại văn bản: Trong lĩnh vực tóm tắt văn bản (text summarization) và lọc thư rác, SVM rất xuất sắc trong việc quản lý số chiều cao của các vectơ văn bản. Chúng có thể phân loại hiệu quả email là "spam" hoặc "không phải spam" và phân loại các bài báo theo chủ đề với độ chính xác cao.

Link to this sectionVí dụ về triển khai#

Mặc dù các tác vụ thị giác máy tính hiện đại thường sử dụng các model end-to-end như Ultralytics YOLO26, SVM vẫn là công cụ mạnh mẽ để phân loại các đặc trưng được trích xuất từ chính các model này. Ví dụ, người dùng có thể sử dụng model YOLO để phát hiện đối tượng và trích xuất đặc trưng của chúng, sau đó huấn luyện một SVM để phân loại các vectơ đặc trưng cụ thể đó cho một tác vụ chuyên biệt.

Dưới đây là một ví dụ ngắn gọn sử dụng thư viện scikit-learn phổ biến để huấn luyện một bộ phân loại đơn giản trên dữ liệu tổng hợp.

from sklearn import svm
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# Generate synthetic classification data
X, y = make_classification(n_features=4, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

# Initialize and train the Support Vector Classifier
clf = svm.SVC(kernel="linear", C=1.0)
clf.fit(X_train, y_train)

# Display the accuracy on the test set
print(f"Accuracy: {clf.score(X_test, y_test):.2f}")

Đối với các nhóm đang tìm cách quản lý các tập dữ liệu lớn hơn hoặc huấn luyện các deep learning model có thể thay thế hoặc tăng cường cho các quy trình làm việc bằng SVM, Ultralytics Platform cung cấp các công cụ cho việc gán nhãn dữ liệu (data annotation) và triển khai model liền mạch. Những ai quan tâm đến nền tảng toán học có thể tham khảo bài báo gốc của Cortes và Vapnik (1995), trong đó trình bày chi tiết về tối ưu hóa soft-margin cho phép SVM xử lý dữ liệu nhiễu trong thế giới thực một cách hiệu quả.