Support Vector Machine

Support Vector Machine (SVM) là gì?

Support Vector Machine (SVM) là mô hình học máy có giám sát do Vladimir Vapnik và Alexey Chervonenkis phát triển, dùng để phân loại và hồi quy bằng cách tìm siêu phẳng (hyperplane) tối ưu phân tách các lớp dữ liệu trong không gian nhiều chiều. SVM tối đa hóa lề (margin) giữa hai lớp, đảm bảo khoảng cách xa nhất tới các điểm dữ liệu gần nhất gọi là support vectors, qua đó nâng cao khả năng tổng quát hóa của mô hình.

Đặc điểm

• Sử dụng kernel trick (linear, polynomial, RBF, sigmoid) để xử lý dữ liệu phi tuyến tính.
• Hiệu quả với dữ liệu chiều cao, đặc biệt khi số chiều lớn hơn số mẫu quan sát.
• Bài toán tối ưu lồi (convex optimization), đảm bảo nghiệm tối ưu toàn cục.
• Nhạy cảm với nhiễu và giá trị ngoại lai, đòi hỏi chuẩn hóa dữ liệu đầu vào.
• Hỗ trợ tham số C điều chỉnh đánh đổi giữa sai số phân loại và độ rộng lề.

Ví dụ

Ngân hàng TMCP A tại Việt Nam triển khai mô hình SVM với kernel RBF (gamma = 0.1, C = 1.0) để phân loại khách hàng doanh nghiệp vay vốn thành 2 nhóm: tín dụng tốt và tín dụng xấu, dựa trên 18 biến đầu vào gồm doanh thu, tỷ lệ nợ trên vốn chủ sở hữu, lịch sử trả nợ, ngành nghề... Mô hình đạt độ chính xác 87% và AUC = 0.89 trên tập kiểm tra, hỗ trợ quyết định cho vay tuân thủ Thông tư 39/2016/TT-NHNN và Thông tư 13/2018/TT-NHNN về xếp hạng tín nhiệm nội bộ.