[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%A1y%20vector%20li%C3%AAn%20quan{\"limit\":5}":3,"_public_topic_byId_m%C3%A1y%20vector%20li%C3%AAn%20quan":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":26,"enrichTopicLink":27,"status":28,"createTime":29,"updateTime":30,"publishTime":31,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":32,"wikidataId":10,"relateTopics":33},"máy vector liên quan","Máy vector liên quan là gì? Các bài báo nghiên cứu khoa học","Máy vector liên quan (SVM) là một thuật toán học máy có giám sát dùng để phân loại và hồi quy bằng cách tìm siêu phẳng tối ưu phân tách dữ liệu. SVM hoạt động dựa trên nguyên lý tối đa hóa biên phân cách giữa các lớp và có thể mở rộng cho dữ liệu phi tuyến thông qua kỹ thuật kernel. ","\u003Cdiv>\u003Ch2>Khái niệm về máy vector liên quan (Support Vector Machine)\u003C\u002Fh2>\n\u003Cp>\nMáy vector liên quan, hay Support Vector Machine (SVM), là một thuật toán học máy có giám sát được sử dụng chủ yếu cho các bài toán phân loại (classification) và hồi quy (regression). Ý tưởng cốt lõi của SVM là tìm ra một siêu phẳng (hyperplane) tối ưu để phân tách dữ liệu thành các nhóm khác nhau sao cho biên phân tách (margin) giữa các lớp là lớn nhất. Biên càng lớn, mô hình càng có khả năng khái quát hóa tốt và giảm nguy cơ overfitting.\n\u003C\u002Fp>\n\u003Cp>\nTrong không gian hai chiều, siêu phẳng là một đường thẳng, còn trong không gian ba chiều, nó là một mặt phẳng. Ở các không gian nhiều chiều (n &gt; 3), siêu phẳng vẫn là mặt phẳng có chiều nhỏ hơn một đơn vị so với không gian dữ liệu. Mục tiêu của SVM là tìm ra siêu phẳng có thể chia dữ liệu sao cho khoảng cách từ các điểm gần nhất của mỗi lớp đến siêu phẳng là lớn nhất.\n\u003C\u002Fp>\n\u003Cp>\nMột số đặc điểm nổi bật của SVM:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Hoạt động hiệu quả trên dữ liệu có số chiều lớn (high-dimensional data).\u003C\u002Fli>\n  \u003Cli>Không bị ảnh hưởng nhiều bởi các giá trị ngoại lai khi sử dụng margin cứng (hard margin).\u003C\u002Fli>\n  \u003Cli>Áp dụng được cho cả dữ liệu tuyến tính và phi tuyến thông qua kỹ thuật kernel trick.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Nguyên lý hoạt động cơ bản\u003C\u002Fh2>\n\u003Cp>\nSVM dựa trên nguyên tắc hình học: tìm một siêu phẳng sao cho biên phân tách giữa hai lớp dữ liệu là lớn nhất. Siêu phẳng được xác định bởi vector trọng số \u003Cscript type=\"math\u002Ftex\"> w \u003C\u002Fscript> và hệ số điều chỉnh \u003Cscript type=\"math\u002Ftex\"> b \u003C\u002Fscript> trong phương trình:\n\u003Cscript type=\"math\u002Ftex\">w^T x + b = 0\u003C\u002Fscript>\nTrong đó \u003Cscript type=\"math\u002Ftex\"> x \u003C\u002Fscript> là vector đầu vào, \u003Cscript type=\"math\u002Ftex\"> w \u003C\u002Fscript> điều khiển hướng của siêu phẳng, và \u003Cscript type=\"math\u002Ftex\"> b \u003C\u002Fscript> xác định vị trí của nó trong không gian.\n\u003C\u002Fp>\n\u003Cp>\nCác điểm dữ liệu gần nhất với siêu phẳng được gọi là **vector hỗ trợ** (support vectors). Chúng đóng vai trò quyết định hình dạng và vị trí của siêu phẳng tối ưu. Mọi điểm dữ liệu khác nằm ngoài biên không ảnh hưởng trực tiếp đến kết quả huấn luyện. Khoảng cách giữa các vector hỗ trợ đến siêu phẳng được gọi là biên (margin), và mô hình SVM được tối ưu hóa để biên này là lớn nhất.\n\u003C\u002Fp>\n\u003Cp>\nBảng dưới đây mô tả sự khác biệt giữa SVM tuyến tính và phi tuyến:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Loại SVM\u003C\u002Fth>\n      \u003Cth>Đặc điểm\u003C\u002Fth>\n      \u003Cth>Ứng dụng điển hình\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>SVM tuyến tính\u003C\u002Ftd>\n      \u003Ctd>Phân tách dữ liệu bằng siêu phẳng tuyến tính\u003C\u002Ftd>\n      \u003Ctd>Phân loại văn bản, lọc spam\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>SVM phi tuyến\u003C\u002Ftd>\n      \u003Ctd>Dùng kernel để chiếu dữ liệu vào không gian cao hơn\u003C\u002Ftd>\n      \u003Ctd>Nhận dạng hình ảnh, sinh học tính toán\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Hàm mất mát và tối ưu hóa\u003C\u002Fh2>\n\u003Cp>\nSVM được xây dựng trên cơ sở một bài toán tối ưu hóa lồi nhằm cực tiểu hóa sai số và cực đại hóa biên phân tách. Với dữ liệu tuyến tính có thể phân tách hoàn toàn, mục tiêu tối ưu là:\n\u003Cscript type=\"math\u002Ftex\">\n\\min_{w, b} \\frac{1}{2} \\|w\\|^2 \\quad \\text{subject to } y_i(w^T x_i + b) \\geq 1\n\u003C\u002Fscript>\nTrong đó \u003Cscript type=\"math\u002Ftex\"> y_i \u003C\u002Fscript> là nhãn của mẫu thứ i (1 hoặc -1), và \u003Cscript type=\"math\u002Ftex\"> \\|w\\|^2 \u003C\u002Fscript> thể hiện độ phẳng của siêu phẳng. Bài toán này được giải bằng phương pháp nhân tử Lagrange, chuyển sang dạng bài toán đối ngẫu để giảm bậc tự do.\n\u003C\u002Fp>\n\u003Cp>\nĐối với dữ liệu có nhiễu hoặc không thể phân tách hoàn toàn, SVM mềm (Soft-margin SVM) được sử dụng bằng cách thêm biến slack \u003Cscript type=\"math\u002Ftex\"> \\xi_i \u003C\u002Fscript> cho phép vi phạm nhẹ điều kiện phân tách:\n\u003Cscript type=\"math\u002Ftex\">\n\\min_{w, b, \\xi} \\frac{1}{2} \\|w\\|^2 + C \\sum_{i=1}^n \\xi_i \\quad \\text{subject to } y_i(w^T x_i + b) \\geq 1 - \\xi_i, \\xi_i \\geq 0\n\u003C\u002Fscript>\nTham số \u003Cscript type=\"math\u002Ftex\"> C \u003C\u002Fscript> đóng vai trò điều chỉnh giữa việc tối đa hóa biên và giảm thiểu lỗi. Nếu \u003Cscript type=\"math\u002Ftex\"> C \u003C\u002Fscript> quá lớn, mô hình có xu hướng overfit; nếu quá nhỏ, biên trở nên quá rộng và giảm độ chính xác.\n\u003C\u002Fp>\n\u003Cp>\nCác thuật toán phổ biến để giải bài toán SVM bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Sequential Minimal Optimization (SMO) – tối ưu hóa từng cặp biến đối ngẫu.\u003C\u002Fli>\n  \u003Cli>Quadratic Programming (QP) – áp dụng phương pháp quy hoạch bậc hai.\u003C\u002Fli>\n  \u003Cli>Stochastic Gradient Descent (SGD) – dùng cho tập dữ liệu lớn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Phép biến đổi không gian đặc trưng và kernel trick\u003C\u002Fh2>\n\u003Cp>\nKhi dữ liệu không thể phân tách tuyến tính, SVM sử dụng phương pháp kernel trick để ánh xạ dữ liệu sang một không gian đặc trưng có chiều cao hơn, nơi các lớp có thể được phân tách bằng siêu phẳng tuyến tính. Thay vì tính toán trực tiếp trong không gian cao, kernel trick cho phép tính tích trong giữa các vector dưới dạng hàm kernel:\n\u003Cscript type=\"math\u002Ftex\">\nK(x_i, x_j) = \\phi(x_i)^T \\phi(x_j)\n\u003C\u002Fscript>\nTrong đó \u003Cscript type=\"math\u002Ftex\"> \\phi(x) \u003C\u002Fscript> là hàm ánh xạ dữ liệu từ không gian đầu vào sang không gian đặc trưng phi tuyến.\n\u003C\u002Fp>\n\u003Cp>\nCác loại hàm kernel phổ biến bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Linear kernel:\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">K(x, x') = x^T x'\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Polynomial kernel:\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">K(x, x') = (x^T x' + c)^d\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>RBF (Gaussian kernel):\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">K(x, x') = \\exp(-\\gamma \\|x - x'\\|^2)\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Sigmoid kernel:\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">K(x, x') = \\tanh(\\alpha x^T x' + c)\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nBảng dưới đây thể hiện sự khác biệt giữa các kernel:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Kernel\u003C\u002Fth>\n      \u003Cth>Đặc tính\u003C\u002Fth>\n      \u003Cth>Ứng dụng chính\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Linear\u003C\u002Ftd>\n      \u003Ctd>Tính nhanh, phù hợp dữ liệu tuyến tính\u003C\u002Ftd>\n      \u003Ctd>Phân loại văn bản, dữ liệu có nhiều đặc trưng\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Polynomial\u003C\u002Ftd>\n      \u003Ctd>Xử lý quan hệ phi tuyến bậc thấp\u003C\u002Ftd>\n      \u003Ctd>Phân tích hình ảnh\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>RBF\u003C\u002Ftd>\n      \u003Ctd>Linh hoạt, phổ biến nhất\u003C\u002Ftd>\n      \u003Ctd>Nhận dạng giọng nói, chẩn đoán y học\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Sigmoid\u003C\u002Ftd>\n      \u003Ctd>Tương tự mạng nơ-ron\u003C\u002Ftd>\n      \u003Ctd>Xử lý tín hiệu phi tuyến\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\u003Ch2>SVM với dữ liệu không cân bằng\u003C\u002Fh2>\n\u003Cp>\nTrong các bài toán thực tế như chẩn đoán y học, phát hiện gian lận hoặc lọc thư rác, dữ liệu thường bị lệch về một hoặc vài lớp, gây mất cân bằng nghiêm trọng. Khi đó, SVM có xu hướng ưu tiên lớp chiếm đa số, khiến tỷ lệ dự đoán đúng ở lớp thiểu số rất thấp. Để khắc phục, một số chiến lược đã được phát triển để điều chỉnh SVM trong bối cảnh dữ liệu không cân bằng.\n\u003C\u002Fp>\n\u003Cp>\nCác phương pháp phổ biến:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Thay đổi trọng số lớp:\u003C\u002Fstrong> Áp dụng trọng số lớn hơn cho các mẫu thuộc lớp thiểu số trong hàm mục tiêu, tức là tăng độ “phạt” khi dự đoán sai lớp nhỏ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Undersampling lớp lớn:\u003C\u002Fstrong> Giảm số lượng mẫu ở lớp chiếm ưu thế để đạt cân bằng dữ liệu, đi kèm với nguy cơ mất thông tin.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Oversampling lớp nhỏ (SMOTE):\u003C\u002Fstrong> Tạo thêm dữ liệu tổng hợp cho lớp thiểu số bằng kỹ thuật \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1106.1813\" target=\"_blank\" rel=\"noopener\">Synthetic Minority Oversampling Technique\u003C\u002Fa>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nViệc lựa chọn chiến lược phù hợp phụ thuộc vào bài toán cụ thể, đặc điểm dữ liệu và yêu cầu về độ nhạy (recall) và độ chính xác (precision) của hệ thống.\n\u003C\u002Fp>\n\n\u003Ch2>SVM đa lớp\u003C\u002Fh2>\n\u003Cp>\nSVM ban đầu được thiết kế cho bài toán phân loại nhị phân. Tuy nhiên, nhiều ứng dụng yêu cầu phân loại đa lớp, chẳng hạn như nhận dạng chữ viết tay hoặc phân loại bệnh lý. Để mở rộng SVM cho đa lớp, hai phương pháp chính thường được áp dụng:\n\u003C\u002Fp>\n\u003Cp>\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>One-vs-Rest (OvR):\u003C\u002Fstrong> Huấn luyện k bộ phân loại, mỗi bộ phân biệt một lớp với phần còn lại. Kết quả phân loại dựa trên xác suất cao nhất hoặc khoảng cách đến siêu phẳng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>One-vs-One (OvO):\u003C\u002Fstrong> Huấn luyện k(k-1)\u002F2 mô hình, mỗi mô hình phân biệt giữa hai lớp bất kỳ. Dự đoán lớp cuối cùng được chọn bằng bỏ phiếu số đông.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nSo sánh hiệu quả giữa hai phương pháp:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tiêu chí\u003C\u002Fth>\n      \u003Cth>One-vs-Rest\u003C\u002Fth>\n      \u003Cth>One-vs-One\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Số mô hình\u003C\u002Ftd>\n      \u003Ctd>k\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">k(k-1)\u002F2\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Độ chính xác\u003C\u002Ftd>\n      \u003Ctd>Trung bình\u003C\u002Ftd>\n      \u003Ctd>Cao hơn với dữ liệu phức tạp\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Chi phí tính toán\u003C\u002Ftd>\n      \u003Ctd>Thấp hơn\u003C\u002Ftd>\n      \u003Ctd>Cao hơn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tế của SVM\u003C\u002Fh2>\n\u003Cp>\nSVM được sử dụng trong nhiều lĩnh vực đòi hỏi tính chính xác và độ khái quát hóa cao. Nhờ khả năng xử lý không gian chiều cao và tránh overfitting, SVM thường là lựa chọn mặc định cho các bài toán:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Nhận dạng hình ảnh:\u003C\u002Fstrong> phân biệt khuôn mặt, đối tượng, chữ viết tay.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Chẩn đoán y khoa:\u003C\u002Fstrong> phát hiện ung thư, rối loạn tim mạch dựa trên dữ liệu sinh học.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Xử lý văn bản:\u003C\u002Fstrong> phân loại tài liệu, lọc thư rác, phân tích cảm xúc.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân tích tín hiệu:\u003C\u002Fstrong> ECG, EEG, phân tích âm thanh.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nVí dụ ứng dụng thực tế:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41598-018-22402-1\" target=\"_blank\" rel=\"noopener\">SVM trong chẩn đoán hình ảnh ung thư tuyến tiền liệt\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fpubs.acs.org\u002Fdoi\u002F10.1021\u002Facsomega.0c01886\" target=\"_blank\" rel=\"noopener\">SVM kết hợp xử lý Raman cho phân loại vật liệu\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>So sánh SVM với các thuật toán khác\u003C\u002Fh2>\n\u003Cp>\nMặc dù SVM mạnh mẽ, nó không phải lúc nào cũng là lựa chọn tối ưu. So sánh SVM với các phương pháp khác như Logistic Regression (LR) hoặc mạng nơ-ron (NN) giúp xác định điểm mạnh và hạn chế trong từng tình huống.\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tiêu chí\u003C\u002Fth>\n      \u003Cth>SVM\u003C\u002Fth>\n      \u003Cth>Logistic Regression\u003C\u002Fth>\n      \u003Cth>Neural Network\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Khả năng xử lý phi tuyến\u003C\u002Ftd>\n      \u003Ctd>Có (dùng kernel)\u003C\u002Ftd>\n      \u003Ctd>Hạn chế\u003C\u002Ftd>\n      \u003Ctd>Rất tốt\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Khả năng khái quát hóa\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n      \u003Ctd>Vừa\u003C\u002Ftd>\n      \u003Ctd>Phụ thuộc kiến trúc\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Dữ liệu cần thiết\u003C\u002Ftd>\n      \u003Ctd>Vừa\u003C\u002Ftd>\n      \u003Ctd>Ít\u003C\u002Ftd>\n      \u003Ctd>Nhiều\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Thời gian huấn luyện\u003C\u002Ftd>\n      \u003Ctd>Trung bình\u003C\u002Ftd>\n      \u003Ctd>Rất nhanh\u003C\u002Ftd>\n      \u003Ctd>Lâu\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Giới hạn và thách thức\u003C\u002Fh2>\n\u003Cp>\nCác giới hạn chính của SVM:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Không hiệu quả với dữ liệu lớn:\u003C\u002Fstrong> Vì cần lưu toàn bộ ma trận kernel, SVM tiêu tốn bộ nhớ và thời gian khi xử lý hàng triệu mẫu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phụ thuộc vào lựa chọn kernel:\u003C\u002Fstrong> Việc chọn kernel và tham số như \u003Cscript type=\"math\u002Ftex\"> C \u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\"> \\gamma \u003C\u002Fscript> ảnh hưởng đáng kể đến kết quả.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Khó diễn giải mô hình:\u003C\u002Fstrong> SVM không cung cấp xác suất trực tiếp như logistic regression.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột số giải pháp khắc phục:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Dùng \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fsvm.html\" target=\"_blank\" rel=\"noopener\">Scikit-learn\u003C\u002Fa> hoặc \u003Ca href=\"https:\u002F\u002Flibsvm.net\u002F\" target=\"_blank\" rel=\"noopener\">LIBSVM\u003C\u002Fa> để hỗ trợ lựa chọn tham số tự động.\u003C\u002Fli>\n  \u003Cli>Dùng approximation như LinearSVM hoặc OnlineSVM cho dữ liệu lớn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Các mở rộng hiện đại của SVM\u003C\u002Fh2>\n\u003Cp>\nNhằm tăng hiệu năng và mở rộng khả năng ứng dụng, nhiều biến thể của SVM đã được phát triển:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Least Squares SVM (LS-SVM):\u003C\u002Fstrong> sử dụng hàm mất mát bình phương để đơn giản hóa bài toán thành hệ phương trình tuyến tính.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Fuzzy SVM:\u003C\u002Fstrong> đưa ra mức độ tin cậy cho mỗi điểm dữ liệu, đặc biệt hiệu quả khi dữ liệu có nhiễu hoặc không chắc chắn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Online SVM:\u003C\u002Fstrong> cập nhật mô hình theo thời gian thực, phù hợp với dữ liệu stream.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Deep Kernel Learning:\u003C\u002Fstrong> kết hợp học sâu với kernel SVM để khai thác đặc trưng phi tuyến sâu hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.csie.ntu.edu.tw\u002F~cjlin\u002Fpapers\u002Fguide\u002Fguide.pdf\" target=\"_blank\" rel=\"noopener\">Hsu et al., A Practical Guide to Support Vector Classification\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fsvm.html\" target=\"_blank\" rel=\"noopener\">Scikit-learn: Support Vector Machines\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Flibsvm.net\u002F\" target=\"_blank\" rel=\"noopener\">LIBSVM: A Library for Support Vector Machines\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41598-018-22402-1\" target=\"_blank\" rel=\"noopener\">Nature Scientific Reports: Application of SVM in Medical Imaging\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS0031320319301518\" target=\"_blank\" rel=\"noopener\">Pattern Recognition: Integrating Deep Learning with SVM\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[13],1,false,"PUBLISHED","2025-11-10T03:47:44.631+00:00","2025-11-11T08:14:07.338+00:00","2025-11-11T08:14:07.323+00:00",142,[34,45,56,67,78,84,95,106,112,118],{"id":35,"title":36,"term":37,"englishTitle":38,"definition":39,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"máy quang phổ echelle","Máy quang phổ echelle (echelle spectrometer) là gì?","Máy quang phổ echelle","echelle spectrometer","Máy quang phổ echelle là loại máy quang phổ nhiễu xạ độ phân giải cao, kết hợp cách tử echelle làm việc ở bậc nhiễu xạ cao với phần tử tán sắc chéo đặt vuông góc để tách các bậc phổ chồng lấp thành ảnh phổ hai chiều trên đầu thu mảng. Kiến trúc này cho phép ghi nhận đồng thời dải bước sóng rộng với năng suất phân giải lớn mà không cần quét cơ học.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":46,"title":47,"term":48,"englishTitle":49,"definition":50,"discipline":51,"disciplineCode":52,"disciplineLabel":53,"disciplineColor":54,"disciplineIcon":55},"hẹp tắc động mạch nội sọ","Hẹp tắc động mạch nội sọ là gì? Cơ chế và điều trị","Hẹp tắc động mạch nội sọ","intracranial arterial stenosis","Hẹp tắc động mạch nội sọ là tình trạng thu hẹp lòng mạch hoặc bít tắc hoàn toàn một hay nhiều động mạch lớn bên trong hộp sọ, làm giảm lưu lượng máu nuôi não và gây nguy cơ cao đột quỵ thiếu máu não, trong đó căn nguyên phổ biến nhất là xơ vữa động mạch.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":57,"title":58,"term":59,"englishTitle":60,"definition":61,"discipline":62,"disciplineCode":63,"disciplineLabel":64,"disciplineColor":65,"disciplineIcon":66},"phép biện chứng","Phép biện chứng (dialectic) là gì?","Phép biện chứng","dialectic","Phép biện chứng là một truyền thống phương pháp luận và lý luận triết học, trong thời cổ đại chỉ nghệ thuật đối thoại hỏi đáp truy tìm chân lý, còn trong triết học cận hiện đại chỉ học thuyết về sự vận động, mối liên hệ và chuyển hóa của khái niệm hoặc hiện thực thông qua mâu thuẫn.","HUMANITIES","humanities","Nhân văn và nghệ thuật","#9333EA","book-open",{"id":68,"title":69,"term":70,"englishTitle":71,"definition":72,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"vật liệu hybrid","Vật liệu hybrid (hybrid material) là gì?","Vật liệu hybrid","hybrid material","Vật liệu hybrid (vật liệu lai) là vật liệu cấu tạo từ hỗn hợp trộn lẫn mật thiết giữa thành phần hữu cơ, vô cơ hoặc cả hai, thường đan xen ở thang kích thước nhỏ hơn 1 µm (IUPAC, 2007) nhằm tạo ra tính chất hiệp đồng vượt trội so với từng thành phần đơn lẻ.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":79,"title":80,"term":81,"englishTitle":82,"definition":83,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"đường cong quantum seiberg witten","Đường cong quantum Seiberg-Witten là gì? Cơ chế và ứng dụng","Đường cong quantum Seiberg-Witten","quantum Seiberg-Witten curve","Đường cong quantum Seiberg-Witten là phiên bản lượng tử hóa của đường cong đại số Seiberg-Witten cổ điển, thu được khi nâng tọa độ trên đường cong lên toán tử không giao hoán để tạo thành phương trình vi phân hoặc sai phân tuyến tính trong giới hạn Nekrasov-Shatashvili của lý thuyết chuẩn siêu đối xứng N = 2.",{"id":85,"title":86,"term":87,"englishTitle":88,"definition":89,"discipline":90,"disciplineCode":91,"disciplineLabel":92,"disciplineColor":93,"disciplineIcon":94},"sản xuất giống","Sản xuất giống (seed production) là gì?","Sản xuất giống","seed production","Sản xuất giống (seed production) là quá trình tổ chức nhân số lượng, kiểm soát chất lượng và cung ứng vật liệu nhân giống từ nguồn giống gốc nhằm duy trì độ thuần di truyền, phẩm chất sinh lý và trạng thái sạch bệnh của giống trong sản xuất nông nghiệp.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":96,"title":97,"term":98,"englishTitle":99,"definition":100,"discipline":101,"disciplineCode":102,"disciplineLabel":103,"disciplineColor":104,"disciplineIcon":105},"lý thuyết hình ảnh","Lý thuyết hình ảnh (image theory) là gì?","Lý thuyết hình ảnh","image theory","Lý thuyết hình ảnh (image theory) là một lý thuyết tâm lý học mô tả quá trình ra quyết định cá nhân và tổ chức do Lee Roy Beach và Terence R. Mitchell đề xuất năm 1987. Thay vì tối đa hóa hữu dụng kỳ vọng, lý thuyết này cho rằng con người sàng lọc phương án dựa trên mức độ tương thích với hệ thống giá trị, mục tiêu và kế hoạch sẵn có.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":107,"title":108,"term":109,"englishTitle":110,"definition":111,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"tổng hợp urê","Tổng hợp urê (urea synthesis) là gì?","Tổng hợp urê","urea synthesis","Tổng hợp urê là quá trình hóa học và công nghệ chuyển hóa amoniac (NH3) và carbon dioxide (CO2) — hoặc các nguồn carbon, nitơ thay thế qua lộ trình điện hóa, quang hóa — thành urê (CO(NH2)2), hợp chất đạm nền tảng của ngành phân bón và hóa chất công nghiệp.",{"id":113,"title":114,"term":115,"englishTitle":116,"definition":117,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"hấp phụ hóa học","Hấp phụ hóa học (chemisorption) là gì?","Hấp phụ hóa học","chemisorption","Hấp phụ hóa học (chemisorption) là quá trình hấp phụ phát sinh từ sự hình thành liên kết hóa học mạnh giữa chất bị hấp phụ và các tâm hoạt tính trên bề mặt chất hấp phụ, tạo thành một đơn lớp trên bề mặt.",{"id":119,"title":120,"term":121,"englishTitle":122,"definition":123,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"mô đun đàn hồi động","Mô đun đàn hồi động (dynamic elastic modulus) là gì?","Mô đun đàn hồi động","dynamic elastic modulus","Mô đun đàn hồi động là đại lượng cơ học đặc trưng cho độ cứng đàn hồi của vật liệu dưới tải trọng biến thiên theo thời gian, dao động điều hòa hoặc sóng ứng suất biên độ nhỏ. Đại lượng này thường được xác định không phá hủy bằng đo tần số cộng hưởng, vận tốc xung siêu âm hoặc phân tích cơ động học."]