ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← ML cơ bản

AI Foundation

Ma trận nhầm lẫn

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Mô hình đoán 'có bệnh' — đúng hay sai đáng quan tâm thế nào? Bốn loại kết quả và cách ma trận 2×2 phân loại chúng.

lesson46 minML cơ bảnAI Foundation

Thử đoán

Một bệnh viện có mô hình sàng lọc ung thư đạt 99% accuracy. Chỉ 2 trong 100 bệnh nhân thực sự mắc bệnh. Bạn có yên tâm với con số 99% đó?

Bài hôm nay sẽ cho bạn chạm vào đúng bốn ô của ma trận đó. Bạn sẽ kéo một thanh ngưỡng và thấy 20 bệnh nhân nhảy qua lại giữa bốn ô — hiểu ngay vì sao mô hình “khó tính” khác với mô hình “rộng lượng”.

Bốn loại kết quả khi mô hình phán đoán

Hãy tưởng tượng bạn là bác sĩ đang dùng một mô hình AI hỗ trợ. Với mỗi bệnh nhân, có đúng hai câu hỏi quan trọng: “mô hình dự đoán có bệnh hay không?” và “thực tế bệnh nhân có bệnh hay không?”. Hai câu hỏi × hai đáp án = bốn ô.

Ma trận nhầm lẫnThực tế: BỆNHThực tế: KHOẺ
Đoán: CÓ BỆNHTP — đoán đúng có bệnhFP — báo nhầm (báo động giả)
Đoán: KHOẺFN — bỏ sót ca bệnhTN — đoán đúng khoẻ

Lưu ý cách gọi tên: chữ T/F ở đầu nói về “mô hình đoán có đúng không”, chữ P/N nói về “mô hình đoán gì”. TP = đoán dương + đúng. FP = đoán dương + sai. Một mẹo ghi nhớ: chữ thứ hai (P/N) luôn là dự đoán của mô hình.

Khám phá

Dưới đây là 20 bệnh nhân. Mỗi người có một điểm nguy cơ do mô hình tính ra, từ 0 (chắc chắn khoẻ) đến 1 (chắc chắn bệnh). Bạn đặt một ngưỡng — ai vượt ngưỡng thì gán là “có bệnh”. Khi kéo ngưỡng, quan sát từng bệnh nhân nhảy qua lại giữa bốn ô.

Ngưỡng TĐiều xảy ra
0.05Lưới rất rộng — gần như ai cũng bị gán là có bệnh
0.50Mặc định
0.95Chỉ ca hiển nhiên mới được gán là có bệnh

Khoảnh khắc hiểu

Một con số Accuracy không cho bạn biết mô hình đang sai ở đâu. Mô hình có thể đạt 99% accuracy mà vẫn vô dụng nếu nó bỏ sót 100% ca bệnh.

Ma trận 2 × 2 chia lỗi thành hai loại khác nhau về chất: báo động giả (FP) và bỏ sót (FN). Hai loại này thường có chi phí không cân bằng. Biết lỗi nào đắt hơn, bạn biết phải chỉnh ngưỡng bên nào.

Đi sâu

Khi nào ưu tiên Recall, khi nào ưu tiên Precision?

Hai bài toán dưới đây có vẻ giống nhau, nhưng chi phí lỗi hoàn toàn khác. Đó là lý do một con số metric không đủ.

Ưu tiên Recall

Sàng lọc ung thư. Bỏ sót (FN) = bệnh nhân tin mình khoẻ, ung thư di căn, có thể tử vong. Báo động giả (FP) chỉ tốn thêm một lượt xét nghiệm xác nhận.

Chiến lược: hạ ngưỡng xuống thấp, chấp nhận nhiều FP để bảo đảm Recall cao. Mô hình sàng lọc thường chỉ là bước đầu — đội y tế sẽ kiểm tra kỹ những ca báo dương.

Ưu tiên Precision

Gợi ý sản phẩm trên trang chủ Tiki. FP = gợi ý món khách không thích, lãng phí slot quý giá và làm phiền khách. FN = không gợi ý dù khách có thể thích, chỉ là cơ hội bán hàng bị bỏ qua.

Chiến lược: nâng ngưỡng cao, chỉ gợi ý những món rất chắc chắn khách sẽ thích — ưu tiên Precision cao, chấp nhận bỏ sót nhiều cơ hội.

Bốn bài toán thực tế — cùng công cụ, bốn chiến lược khác nhau

Mỗi ngành nghề có cấu trúc chi phí FP / FN riêng. Bảng dưới đây tóm tắt cách bốn lĩnh vực quen thuộc chọn metric ưu tiên và vì sao.

Lĩnh vựcChi phí FPChi phí FNChiến lược
🏥 Sàng lọc ung thưThêm một lượt xét nghiệm xác nhậnBỏ sót bệnh nhân — có thể tử vongRecall cao
📨 Lọc spam email công tyXoá nhầm email khách hàng quan trọngSpam lọt vào hộp thư — bất tiện nhưng không nguy hiểmPrecision cao
💳 Phát hiện gian lận thẻChặn giao dịch thật — khách bực, có thể đổi ngân hàngĐể lọt gian lận — thẻ bị hack, thiệt hại tiền thậtCân bằng F-beta (β≈0.5) — ưu tiên Precision nhẹ
🚨 Cảnh báo cháy rừngTriển khai xe cứu hoả không cần thiết (tốn nhân lực)Bỏ sót đám cháy — thiệt hại rất lớn, bất khả hồi phụcRecall rất cao

Bốn bước đọc một ma trận nhầm lẫn lạ

Khi bạn gặp một báo cáo mô hình mới, đây là thứ tự bạn nên kiểm tra:

Bốn bước

1 / 4
  1. 1. Bước 1: Nhìn FN

    **Có bao nhiêu ca bệnh bị bỏ sót?** Đây là con số quan trọng nhất trong y tế, an ninh, phát hiện gian lận. Nếu FN quá cao, bạn biết ngay rằng mô hình đang quá dè dặt.

Thử thách

Với xét nghiệm nhanh HIV cho mục đích sàng lọc diện rộng ở cộng đồng, bạn nên ưu tiên metric nào?
Một nhóm phát hiện gian lận thẻ tín dụng thấy mô hình đang chặn nhầm 30% giao dịch hợp pháp (FP cao) nhưng vẫn để lọt 5% gian lận (FN thấp). Họ nên làm gì trước?

Giải thích

Bốn ô TP, FP, FN, TN sinh ra ba chỉ số thường dùng nhất. Mỗi công thức đi kèm một câu giải thích bằng tiếng Việt thường ngày — bạn không cần nhớ công thức nếu nhớ ý nghĩa.

Precision (độ chính xác của dự đoán dương)

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

Trong mọi lần mô hình báo có bệnh, bao nhiêu phần trăm là đúng? Precision cao = mô hình ít báo nhầm. Ví dụ hình dung: mô hình báo 5 ca → 4 đúng, 1 nhầm → Precision = 4/5 = 80%.

Recall (tỉ lệ bắt được ca bệnh)

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

Trong tất cả người thực sự có bệnh, bao nhiêu phần trăm bị mô hình bắt được? Recall cao = mô hình ít bỏ sót. Ví dụ hình dung: có 5 người bệnh → mô hình bắt được 3, bỏ sót 2 → Recall = 3/5 = 60%.

F1 (một con số cân bằng cả hai)

F1=2⋅Precision⋅RecallPrecision+RecallF_1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}

Trung bình điều hoà của Precision và Recall. Nếu một trong hai rất thấp, F1 cũng sẽ thấp — khác với trung bình cộng (bị lừa khi một bên cao bù một bên thấp). Ví dụ: Precision = 0.9, Recall = 0.1. Trung bình cộng = 0.5 (nghe tốt), nhưng F1 = 0.18 (phản ánh đúng việc mô hình bỏ sót 90% ca bệnh).

Mỗi chỉ số nhìn vào một phần khác của ma trận

Phần của ma trậnChỉ số trả lời câu hỏi
Cột 'đoán dương' — cộng TP và FPTỉ lệ đúng trong các lần báo dương (Precision)
Hàng 'thực tế dương' — cộng TP và FNBắt được bao nhiêu ca thật (Recall)
Đường chéo — TP và TNTỉ lệ đúng trên tổng (Accuracy)

Vì Precision và Recall nhìn các phần khác nhau của ma trận, chúng có thể cùng cao, cùng thấp, hoặc ngược chiều — phụ thuộc cách mô hình phân bố lỗi. Luôn xem cả ba con số để tránh mù điểm.

Công thức ngón tay cái: khi FP và FN có chi phí khác nhau

Nếu một lỗi FN tốn chi phí CFN và một lỗi FP tốn CFP, chi phí kỳ vọng trên mỗi dự đoán là: Cost = CFN × (số ca FN) + CFP × (số ca FP). Khi bạn không chắc “nên ưu tiên Precision hay Recall”, hãy ước lượng hai con số CFN và CFP.

Bài toánCFNCFPCFN / CFPKết luận
Sàng lọc ung thư10 000 (tổn thương sức khoẻ nặng, mất thời gian vàng)200 (một lượt xét nghiệm bổ sung)50Hạ ngưỡng, ưu tiên Recall rất cao
Gợi ý sản phẩm1 (chỉ là cơ hội bán hàng bị bỏ qua)5 (slot gợi ý trên trang chủ là tài nguyên khan hiếm)≈ 0.2Nâng ngưỡng, ưu tiên Precision cao

Ma trận nhầm lẫn là cánh cửa đầu tiên để hiểu hiệu suất phân loại. Khi bạn đã quen, hãy xem thêm hồi quy logistic — mô hình sinh ra điểm xác suất mà chúng ta đang đặt ngưỡng ở đây. Sau đó cross-validation giúp bạn ước lượng các chỉ số một cách ổn định, không bị lừa bởi một tập test may mắn.

Tóm tắt

5 điều cần nhớ về ma trận nhầm lẫn

  • Mỗi dự đoán rơi vào đúng một trong bốn ô: TP, FP, FN, TN. Ma trận này là nguồn gốc của mọi chỉ số.
  • Accuracy có thể lừa bạn khi dữ liệu mất cân bằng — hãy luôn nhìn Precision, Recall cùng lúc.
  • Precision = 'khi tôi báo dương, tôi đúng bao nhiêu?'. Recall = 'trong các ca dương thật, tôi bắt được bao nhiêu?'.
  • Ngưỡng là cái nút trực tiếp: nâng lên → Precision tăng, Recall giảm. Hạ xuống → Recall tăng, Precision giảm.
  • Chọn metric khớp chi phí thật: y tế → Recall, gợi ý sản phẩm → Precision, nhiều bài toán chung → F1.

Continue the path

Lesson 52 of 106