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

Cây quyết định chấm tín dụng

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

Khách có vay được không? Nhập thu nhập, nợ, lịch sử rồi xem cây quyết định chạy qua từng câu hỏi để đưa ra câu trả lời có/không.

lesson46 minML cơ bảnAI Foundation

Giới thiệu

Bạn nộp đơn vay mua xe máy. Chỉ vài giây sau khi bấm nút, ngân hàng đã biết bạn có được duyệt hay không — và nếu được, mức lãi suất là bao nhiêu. Đằng sau quyết định “chỉ vài giây” đó là cây quyết định chạy qua vài câu hỏi về thu nhập, nợ hiện tại, lịch sử thanh toán.

Mỗi ngày các ngân hàng lớn ở Việt Nam nhận hàng chục nghìn đơn vay: từ vay tiêu dùng nhỏ (mua điện thoại, xe máy) đến vay trung dài hạn (mua nhà, ô tô). Không có chuyên viên nào đọc tay đủ nhanh cho ngần ấy đơn. Hệ thống chấm điểm tự động phải phân loại người vay thành các nhóm rủi ro — nhưng cũng phải giải thích được lý do khi từ chối.

Luật tín dụng ở Mỹ (Equal Credit Opportunity Act, Đạo luật cơ hội tín dụng bình đẳng) và hướng dẫn của Ngân hàng Nhà nước Việt Nam đều yêu cầu: khi từ chối, tổ chức tín dụng phải nêu lý do cụ thể. Mô hình “hộp đen” không đáp ứng được yêu cầu này — cây quyết định thì có, vì mỗi nhánh là một lý do đọc được.

Cây chấm điểm một hồ sơ

1 / 4
  1. 1. Gom thông tin đầu vào

    Hệ thống lấy thông tin tài chính của người vay từ nhiều nguồn: thu nhập khai báo, dữ liệu ngân hàng liên kết, lịch sử thanh toán với các khoản vay cũ, thời gian đã mở thẻ tín dụng đầu tiên, tỉ lệ nợ đang gánh so với thu nhập. Mỗi con số là một “đặc trưng” mà cây sẽ đặt câu hỏi về nó.

Ba hồ sơ mẫu — ba kết quả khác nhau

Ba hồ sơ dưới đây là các trường hợp đặc trưng của khách hàng Việt Nam. Xem vì sao mỗi hồ sơ dẫn đến một kết quả riêng.

Hồ sơThu nhậpNợ / thu nhậpLịch sửKết quả của cây
Kỹ sư phần mềm, 28 tuổi35 triệu/tháng25% (trả góp điện thoại)Chưa từng trễ hạn, thẻ tín dụng 6 nămDuyệt hạn mức cao (4 câu hỏi)
Nhân viên bán hàng, 24 tuổi11 triệu/tháng22%Chưa trễ hạn, mới mở thẻ tín dụng đầu tiên năm ngoáiThu nhập dưới ngưỡng 15 triệu → nhánh đòi hỏi nhiều bằng chứng hơn
Chủ quán ăn, 35 tuổi22 triệu/tháng55% (vay mua quán)Chưa trễ hạn, 8 năm lịch sử tín dụngTừ chối: tỉ lệ nợ vượt ngưỡng an toàn, dù lịch sử tốt

Cây chỉ 'dán nhãn', nhưng có công bằng không?

Giả sử một cây được huấn luyện trên dữ liệu cũ và nó luôn từ chối người không có xe hơi. Điều này có công bằng không?

Không có cây quyết định, hệ chấm điểm tín dụng hoặc phải quay về viết luật tay (tốn công, không bắt kịp dữ liệu mới) hoặc dùng mạng nơ-ron “hộp đen” (chính xác hơn nhưng không giải thích được từng quyết định — vi phạm quy định của Ngân hàng Nhà nước và hướng dẫn công bằng tín dụng quốc tế).

Cây quyết định mang lại điều hiếm có: vừa phân loại chính xác, vừa giải thích minh bạch. Mỗi nhánh là một lý do đọc được — từ “trễ hạn 30 ngày” đến “nợ vượt ngưỡng an toàn”. Trong lĩnh vực nơi mỗi quyết định ảnh hưởng đến cuộc sống một con người, tính minh bạch này không chỉ là ưu điểm kỹ thuật mà còn là yêu cầu đạo đức và pháp lý.

Bài học chính từ hồ sơ thật

  • Cây quyết định trả lời câu hỏi 'duyệt hay không' bằng 3–4 câu hỏi rõ ràng, không có ma thuật.
  • Đường đi qua cây chính là lời giải thích — ngân hàng có thể đưa trực tiếp cho khách hàng khi từ chối.
  • Một cây đơn yếu. Thực tế dùng nhiều cây ensemble (boosted trees) để tăng accuracy, vẫn giữ tính đọc được.
  • Giải thích được ≠ công bằng: vẫn phải kiểm tra fairness để tránh proxy bias dựa vào vùng miền, giới, tuổi.

Muốn hiểu kỹ hơn phần thuật toán đứng sau — cách cây tự chọn câu hỏi, Gini, max depth — xem lại bài lý thuyết: Cây quyết định.

Continue the path

Lesson 45 of 106