Bài toán tin sinh học có rất nhiều các tác vụ phân lớp quan trọng nhƣ: tiên đoán cấu trúc protein tiếp theo, phân lớp dữ liệu mô tả gene, nhận dạng mối nối... Thuật toán máy vector hỗ trợ đã đƣợc áp dụng khá thành công với các bài toán trên. Ví dụ, SVM có thể thực hiện tốt hơn các bộ phân lớp học máy tiêu chuẩn
khi áp dụng vào phân lớp chức năng của gene sử dụng dữ liệu mô tả gen từ thí nghiệm lai microarray DNA. Một ví dụ thành công thứ hai đó là nhận dạng sự tƣơng đồng của protein để quyết định cấu trúc và thuộc tính chức năng của dãy protein mới. Sự xác định của các thuộc tính này đƣợc thực hiện bởi dãy protein liên quan mới với sự biết trƣớc cấu trúc chức năng. Trong ứng dụng này, SVM thực hiện tốt hơn một số hệ thống đã đƣợc thiết đặt cho việc phát hiện tƣơng đồng cho dữ liệu kiểm thử liên quan nối tiếp với các họ của nó [6].
Kết chƣơng
Trong các bài toán thực tế của bài toán phân lớp dữ liệu, các dữ liệu đầu vào đƣơc phân chia thƣờng là không tuyến tính, các hàm nhân đã giải quyết tốt vấn đề này bằng cách ánh xạ các điểm từ không gian đầu vào sang không gian mới với sự phân chia gần nhƣ tuyến tính để có thể dễ dàng áp dụng thuật toán máy vector hỗ trợ nhằm giải quyết bài toán. Ngoài việc áp dụng trong bài toán phân lớp, các hàm nhân còn có thể áp dụng đƣợc trong vấn đề nhận dạng tri thức mới và hồi quy. Chƣơng này cũng đề cập đến các phƣơng pháp để lựa chọn tham số tốt nhất trong một khoảng giá trị xác định trƣớc cho các hàm nhân. Với nhiều ƣu điểm của mình, các hàm nhân đã giúp cho SVM có thể ứng dụng trong việc nhận dạng nhiều bài toán khác nhau nhƣ: nhận dạng hình ảnh, nhận dạng ký tự, phân loại văn bản, tin sinh học...
Chƣơng 3: ỨNG DỤNG CỦA HÀM NHÂN TRONG NHẬN DẠNG CHỮ SỐ VIẾT TAY