Tại Sao Accuracy Chưa Đủ?

• Ví dụ: Bộ dữ liệu dự đoán gian lận giao dịch, 99% giao dịch là hợp lệ.
• Nếu mô hình luôn dự đoán “hợp lệ” → accuracy = 99%, nhưng bỏ sót toàn bộ giao dịch gian lận.
  📌 Kết luận: Cần thêm chỉ số đo lường mức độ phát hiện chính xác các trường hợp quan trọng.2. Precision & Recall – Bộ Đôi Cân Bằng

🔵 Precision – Độ Chính Xác Dự Đoán

• Định nghĩa: Trong tất cả các dự đoán Positive, có bao nhiêu là đúng?
• Công thức:

Precision=TPTP+FPPrecision = \frac{TP}{TP+FP}

• Khi quan tâm đến giảm false positive (ví dụ: chẩn đoán ung thư, không muốn báo nhầm).

🟢 Recall – Độ Bao Phủ (Sensitivity)

• Định nghĩa: Trong tất cả các trường hợp Positive thật sự, mô hình bắt được bao nhiêu?
• Công thức:

Recall=TPTP+FNRecall = \frac{TP}{TP+FN}

• Khi quan tâm đến giảm false negative (ví dụ: phát hiện gian lận, không muốn bỏ sót).

⚖️ F1-Score – Điểm Cân Bằng

• Trung bình điều hòa giữa Precision & Recall:

F1=2×Precision×RecallPrecision+RecallF1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}

• Phù hợp khi cần tối ưu cả 2 (balanced metric).

ROC-AUC – Đánh Giá Tổng Thể

• ROC (Receiver Operating Characteristic): Biểu đồ so sánh True Positive Rate vs False Positive Rate khi thay đổi threshold.
• AUC (Area Under Curve): Diện tích dưới đường ROC, từ 0.5 (ngẫu nhiên) đến 1.0 (hoàn hảo).
• Ưu điểm: không phụ thuộc vào ngưỡng cắt cụ thể → đánh giá tổng thể chất lượng mô hình.

Ví Dụ Trực Quan

📌 Kết luận: Model B có recall cao hơn, bắt được nhiều gian lận hơn, AUC cũng cao → chọn Model B nếu mục tiêu giảm rủi ro bỏ sót.

Khi Nào Dùng Chỉ Số Nào?

✅ Precision – khi False Positive rất tốn kém (email spam, chẩn đoán bệnh)
✅ Recall – khi False Negative nguy hiểm (fraud detection, an ninh)
✅ F1-score – khi cần cân bằng cả 2 (đa số bài toán phân loại)
✅ AUC – khi muốn đánh giá chất lượng tổng thể của mô hình với nhiều ngưỡng khác nhau

Rủi Ro Khi Đánh Giá Mô Hình

⚠ Chỉ nhìn accuracy → mô hình tệ nhưng tưởng tốt
⚠ Không chia train/test → mô hình overfit
⚠ Không so sánh baseline → không biết mô hình có thật sự cải thiện

Tips Để Đánh Giá Chuẩn

✅ Luôn bắt đầu bằng confusion matrix để hiểu phân bố TP/FP/FN/TN
✅ Dùng cross-validation để đánh giá ổn định
✅ Thử nhiều ngưỡng cắt (threshold tuning) để tối ưu metric theo mục tiêu
✅ So sánh với baseline model (Random, Logistic Regression)

Kết Luận – Hiểu Đúng Số Liệu Để Ra Quyết Định Đúng

Chọn đúng metric giúp bạn tránh bẫy “accuracy cao nhưng vô dụng” và triển khai mô hình đáng tin cậy.

• Tập trung vào Precision/Recall khi dữ liệu mất cân bằng
• Dùng ROC-AUC để có cái nhìn toàn cảnh
• Luôn so sánh với baseline trước khi triển khai

📞 Hotline: 0352.433.233
📧 Email: cskh@mcivietnam.com