Phép thuật kernel trong SVM giống như một chiếc cỗ máy biến hình thần kỳ. Khi dữ liệu ban đầu của bạn nằm rối tung trong không gian 2D (hoặc vài chiều), mà bạn không thể nào dùng một đường thẳng hay mặt phẳng để phân chia được, thì kernel sẽ biến không gian đó thành một phiên bản “nâng cấp”, nhiều chiều hơn, nơi mà bạn có thể dễ dàng “cắt” dữ liệu ra bằng một siêu phẳng thẳng tắp.
Ví dụ:
- Bạn có một đám “điểm” xoắn tròn như chiếc bánh donut (vòng tròn trong vòng tròn), mà bạn chẳng thể nào dùng một đường thẳng nào để tách lớp trong và lớp ngoài.
- Kernel sẽ giúp bạn “phóng to”, “bẻ cong” không gian thành 3D hoặc hơn nữa, để cái “bánh donut” này trở thành một hình dạng mà bạn có thể dùng một “tấm vách ngăn” thẳng đứng dễ dàng phân chia.
Các “phép thuật kernel” phổ biến:
- Kernel tuyến tính (Linear Kernel)
Phép thuật đơn giản nhất, không làm gì nhiều, chỉ là phân chia thẳng thôi, dành cho dữ liệu dễ tính. - Kernel đa thức (Polynomial Kernel)
Như “phép kéo dài” không gian, biến dữ liệu thành một phiên bản “đa chiều” theo cấp bậc (bậc 2, 3, …) để phân tách những thứ phức tạp hơn. - Kernel Gaussian (RBF – Radial Basis Function)
Đây là “phép thuật thần kỳ” nhất! Nó làm dữ liệu “bốc hơi” vào các vòng tròn xung quanh từng điểm dữ liệu, giúp tách mọi thứ cực kỳ linh hoạt, kể cả những dữ liệu “lộn xộn” nhất. - Kernel Sigmoid
Hoạt động giống như một mạng nơ-ron nhỏ, chuyển đổi dữ liệu theo cách khác biệt.
Nói đơn giản:
Kernel giống như một “kính lúp thần kỳ” giúp bạn nhìn thấy dữ liệu dưới góc độ khác, từ đó bạn có thể vẽ một đường (hoặc mặt phẳng) phân chia nó một cách dễ dàng, dù nhìn bên ngoài có rối rắm thế nào đi nữa!