[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_%C4%91%E1%BB%99%20ch%E1%BB%87ch%20bias{\"limit\":5}":3,"_public_topic_byId_độ chệch bias":82},{"code":4,"data":5,"meta":11},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":65,"vietnamLatest":81},[],[8,25,39,52],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":21,"url":22,"doi":23,"summary":24},"2f355ba2-0471-46d3-8fbb-a069b1806ddd","Áp dụng Sigma đánh giá hiệu năng xét nghiệm Sinh hóa tại phòng xét nghiệm  LAM Viện Pasteur Thành phố Hồ Chí Minh",null,[13,14,15],"Nguyễn Đức Trúc","Phan Thị Ngọc Hân","Ngô Thị Loan",7,"Tạp chí Y học Dự phòng",false,"2024-11-22",2024,0,"https:\u002F\u002Fvjpm.vn\u002Findex.php\u002Fvjpm\u002Farticle\u002Fview\u002F2016","10.51403\u002F0868-2836\u002F2024\u002F2016","\u003Cp>Nghiên cứu quản lý chất lượng phòng xét nghiệm y khoa ứng dụng thang đo Six Sigma kết hợp xác định sai số tổng cho phép và \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> thực tế trên 22 chỉ số sinh hóa máu tại Viện Pasteur Thành phố Hồ Chí Minh. Các xét nghiệm glucose và cholesterol đạt chỉ số hiệu năng Sigma trên 4,5 phản ánh mức độ chính xác cao và \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> tối thiểu trong quy trình đo lường tự động.\u003C\u002Fp>",{"publicationId":26,"title":27,"originalTitle":28,"authorNames":29,"authorCount":33,"journalName":11,"vietnamJournal":18,"publishDate":34,"publishYear":35,"totalCitation":11,"url":36,"doi":37,"summary":38},"d6a0229c-d672-4094-a50d-e1721e6e278e","Hiệu chỉnh độ chệch thống kê của các mô phỏng mô hình khí hậu khu vực cho dự phóng biến đổi khí hậu ở tiểu lưu vực Jemma, thượng lưu lưu vực sông Nile Xanh của Ethiopia","Statistical bias correction of regional climate model simulations for climate change projection in the Jemma sub-basin, upper Blue Nile Basin of Ethiopia",[30,31,32],"Gebrekidan Worku","Ermias Teferi","Amare Bantider",4,"2019-12-17",2019,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00704-019-03053-x","10.1007\u002Fs00704-019-03053-x","\u003Cp>Khảo sát mô hình khí hậu thủy văn đánh giá các phương pháp hiệu chỉnh \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> \u003Ci>bias correction\u003C\u002Fi> trong mô phỏng khí hậu khu vực lưu vực sông Jemma thuộc lưu vực sông Nile Xanh của Ethiopia. Kỹ thuật ánh xạ phân vị phi tuyến giúp loại trừ sai số chệch có hệ thống của lượng mưa và nhiệt độ từ mô hình RCM so với số liệu quan trắc trạm. Dữ liệu cung cấp kịch bản dòng chảy chính xác hơn.\u003C\u002Fp>",{"publicationId":40,"title":41,"originalTitle":42,"authorNames":43,"authorCount":46,"journalName":11,"vietnamJournal":18,"publishDate":47,"publishYear":48,"totalCitation":11,"url":49,"doi":50,"summary":51},"23421392-f3cb-459b-9725-5e350c00ee3e","Một quy trình thống kê để đánh giá độ chệch trong các phương pháp phân tích sử dụng xác suất có điều kiện","A statistical procedure for the assessment of bias in analytical methods using conditional probabilities",[44,45],"Robert B. Frenkel","Ian Farrance",2,"2017-06-29",2017,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00769-017-1274-8","10.1007\u002Fs00769-017-1274-8","\u003Cp>Nghiên cứu hóa học phân tích đề xuất quy trình thống kê mới dựa trên luật xác suất có điều kiện \u003Ci>conditional probabilities\u003C\u002Fi> để đồng thời đánh giá \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> và độ không chụm trong các phương pháp xét nghiệm hóa sinh lâm sàng. Mô hình xây dựng hàm mật độ xác suất kết hợp giúp lượng hóa mức độ tin cậy của kết quả phân tích nồng độ chất tan. Tác giả chỉ ra tính ưu việt của phương pháp.\u003C\u002Fp>",{"publicationId":53,"title":54,"originalTitle":55,"authorNames":56,"authorCount":58,"journalName":59,"vietnamJournal":18,"publishDate":60,"publishYear":61,"totalCitation":11,"url":62,"doi":63,"summary":64},"4058320a-9b85-43c5-8941-ce320b8e0dd8","Độ chệch thống kê trong các ước lượng hợp lý cực đại của các tham số câu hỏi","Statistical bias in maximum likelihood estimators of item parameters",[57],"Frederic M. Lord",1,"Psychometrika","1983-09-01",1983,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002FBF02293684","10.1007\u002FBF02293684","\u003Cp>Khảo sát thống kê lý thuyết trắc nghiệm đo lường dẫn xuất các công thức tiệm cận cho \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> trong ước lượng hợp lý cực đại \u003Ci>maximum likelihood\u003C\u002Fi> của các tham số câu hỏi trong mô hình đáp ứng câu hỏi logistic. Kết quả phân tích số học chỉ ra độ lớn của \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> tỷ lệ nghịch với số lượng người tham gia kiểm tra và có thể hiệu chỉnh bằng chuỗi khai triển Taylor.\u003C\u002Fp>",[66],{"publicationId":67,"title":68,"originalTitle":11,"authorNames":69,"authorCount":73,"journalName":74,"vietnamJournal":75,"publishDate":76,"publishYear":77,"totalCitation":11,"url":78,"doi":79,"summary":80},"45fc6aab-a020-4fb8-81fa-f0738e5ee6d2","XÂY DỰNG CƠ SỞ LIÊN THÔNG XÉT NGHIỆM TSH, FT3, FT4 THÔNG QUA CHƯƠNG TRÌNH NGOẠI KIỂM MIỄN DỊCH RIQAS",[70,71,72],"Phạm  Thị Thanh An ","Hà Mạnh Tuấn","Đào Thanh Hiền",5,"Tạp chí Y học Việt Nam",true,"2022-11-30",2022,"https:\u002F\u002Ftapchiyhocvietnam.vn\u002Findex.php\u002Fvmj\u002Farticle\u002Fview\u002F4202","10.51298\u002Fvmj.v520i2.4202","\u003Cp>Khảo sát đảm bảo chất lượng xét nghiệm y học sử dụng kết quả ngoại kiểm miễn dịch RIQAS phân tích \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> và hệ số biến thiên CV của ba xét nghiệm hormone tuyến giáp TSH, FT3 và FT4. Đánh giá sai số cho thấy \u003Cb class=\"publication-topic-keywords\">độ chệch bias\u003C\u002Fb> trung bình của các xét nghiệm dao động trong khoảng từ -4,2% đến 3,8%, đáp ứng tiêu chuẩn liên thông kết quả xét nghiệm giữa các phòng thí nghiệm lâm sàng.\u003C\u002Fp>",[],{"code":4,"data":83,"meta":11},{"id":84,"title":85,"description":86,"content":87,"term":84,"englishTitle":88,"synonyms":89,"definition":93,"discipline":94,"references":95,"faqs":120,"createUser":130,"publishUser":134,"keywords":135,"keywordCount":146,"enrichTopicLink":75,"status":147,"createTime":148,"updateTime":149,"publishTime":150,"linkEnrichedTime":151,"publicationScanTime":152,"contentErrorMessage":11,"viewCount":153,"relateTopics":154},"độ chệch bias","Độ chệch (Bias) là gì? Công thức tính, phân rã MSE và sự đánh đổi Bias-Variance","Độ chệch phản ánh sự sai khác hệ thống giữa ước lượng và tham số thực, là thành phần then chốt trong phân tích MSE và bài toán đánh đổi Bias-Variance trong học máy.","\u003Cp>Độ chệch (statistical bias), hay độ lệch kỳ vọng, là đại lượng đo lường sự sai khác có tính hệ thống giữa giá trị kỳ vọng toán học của một ước lượng thống kê và giá trị thực sự của tham số tổng thể mà nó hướng đến. Trong lý thuyết xác suất thống kê, khoa học dữ liệu và học máy, độ chệch phản ánh mức độ thiếu chuẩn xác cơ bản của mô hình, đóng vai trò nền tảng trong bài toán đánh đổi độ chệch - phương sai (Bias-Variance Tradeoff) và thiết kế các thuật toán dự báo tối ưu.\u003C\u002Fp>\n\n\u003Ch2>Định nghĩa toán học của độ chệch\u003C\u002Fh2>\n\u003Cp>Giả sử \u003Cscript type=\"math\u002Ftex\">\theta\u003C\u002Fscript> là một tham số thực của tổng thể cần {{topic|%7B%22topic%22%3A%22%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%22%7D}}, và \u003Cscript type=\"math\u002Ftex\">\\hat{\theta}\u003C\u002Fscript> là một ước lượng thống kê (estimator) được tính toán từ một mẫu ngẫu nhiên độc lập \u003Cscript type=\"math\u002Ftex\">X_1, X_2, \\dots, X_n\u003C\u002Fscript>. Độ chệch của \u003Cscript type=\"math\u002Ftex\">\\hat{\theta}\u003C\u002Fscript>, ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\operatorname{Bias}(\\hat{\theta})\u003C\u002Fscript>, được xác định chính xác theo công thức (Lehmann & Casella, 1998):\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\operatorname{Bias}(\\hat{\theta}) = \\mathbb{E}[\\hat{\theta}] - \theta\u003C\u002Fscript>\n\u003Cp>Dựa trên giá trị của \u003Cscript type=\"math\u002Ftex\">\\operatorname{Bias}(\\hat{\theta})\u003C\u002Fscript>, ta phân loại ước lượng như sau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Ước lượng không chệch (Unbiased Estimator):\u003C\u002Fstrong> Nếu \u003Cscript type=\"math\u002Ftex\">\\operatorname{Bias}(\\hat{\theta}) = 0\u003C\u002Fscript>, tức là \u003Cscript type=\"math\u002Ftex\">\\mathbb{E}[\\hat{\theta}] = \theta\u003C\u002Fscript> với mọi giá trị của \u003Cscript type=\"math\u002Ftex\">\theta\u003C\u002Fscript>. Ví dụ kinh điển: Trung bình mẫu \u003Cscript type=\"math\u002Ftex\">\bar{X} = \frac{1}{n}\\sum_{i=1}^n X_i\u003C\u002Fscript> là ước lượng không chệch của trung bình tổng thể \u003Cscript type=\"math\u002Ftex\">\\mu\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ước lượng chệch (Biased Estimator):\u003C\u002Fstrong> Nếu \u003Cscript type=\"math\u002Ftex\">\\operatorname{Bias}(\\hat{\theta}) \ne 0\u003C\u002Fscript>. Nếu \u003Cscript type=\"math\u002Ftex\">\\operatorname{Bias}(\\hat{\theta}) > 0\u003C\u002Fscript>, ước lượng có xu hướng đánh giá quá cao (overestimate); ngược lại nếu \u003Cscript type=\"math\u002Ftex\">\\operatorname{Bias}(\\hat{\theta}) \u003C 0\u003C\u002Fscript>, ước lượng có xu hướng đánh giá thấp hơn giá trị thực (underestimate).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ước lượng không chệch tiệm cận (Asymptotically Unbiased):\u003C\u002Fstrong> Nếu độ chệch tiến dần về 0 khi {{topic|%7B%22topic%22%3A%22k%C3%ADch%20th%C6%B0%E1%BB%9Bc%20m%E1%BA%ABu%22%7D}} tiến tới vô cùng: \u003Cscript type=\"math\u002Ftex\">\\lim_{n \to \\infty} \\operatorname{Bias}(\\hat{\theta}) = 0\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Sai số toàn phương trung bình (MSE) và sự phân rã độ chệch - phương sai\u003C\u002Fh2>\n\u003Cp>Để đánh giá chất lượng tổng thể của một ước lượng, các nhà thống kê sử dụng sai số toàn phương trung bình (Mean Squared Error - MSE). Một trong những {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%8Bnh%20l%C3%BD%22%7D}} nền tảng của suy luận thống kê chỉ ra rằng MSE có thể phân rã chính xác thành bình phương độ chệch cộng với {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20sai%22%7D}} của ước lượng (Hastie et al., 2009):\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\operatorname{MSE}(\\hat{\theta}) = \\mathbb{E}\\left[(\\hat{\theta} - \theta)^2\right] = \\left(\\operatorname{Bias}(\\hat{\theta})\right)^2 + \\operatorname{Var}(\\hat{\theta})\u003C\u002Fscript>\n\u003Cp>Chứng minh toán học của sự phân rã:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\begin{aligned}\n\\operatorname{MSE}(\\hat{\theta}) &= \\mathbb{E}\\left[\\left((\\hat{\theta} - \\mathbb{E}[\\hat{\theta}]) + (\\mathbb{E}[\\hat{\theta}] - \theta)\right)^2\right] \\\n&= \\mathbb{E}\\left[(\\hat{\theta} - \\mathbb{E}[\\hat{\theta}])^2\right] + 2(\\mathbb{E}[\\hat{\theta}] - \theta)\\mathbb{E}[\\hat{\theta} - \\mathbb{E}[\\hat{\theta}]] + (\\mathbb{E}[\\hat{\theta}] - \theta)^2 \\\n&= \\operatorname{Var}(\\hat{\theta}) + 0 + \\left(\\operatorname{Bias}(\\hat{\theta})\right)^2\n\\end{aligned}\u003C\u002Fscript>\n\n\u003Ch2>Sự đánh đổi Độ chệch - Phương sai trong Học máy (Bias-Variance Dilemma)\u003C\u002Fh2>\n\u003Cp>Trong các bài toán {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20c%C3%B3%20gi%C3%A1m%20s%C3%A1t%22%7D}} ({{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%22%7D}} và phân loại), sai số dự báo tổng thể trên tập kiểm tra luôn bao gồm ba thành phần: độ chệch của mô hình, phương sai của mô hình và sai số ngẫu nhiên không thể khử (irreducible error \u003Cscript type=\"math\u002Ftex\">\\sigma_\\epsilon^2\u003C\u002Fscript>) (Geman et al., 1992):\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\operatorname{Error}(x) = \\operatorname{Bias}\\left(\\hat{f}(x)\right)^2 + \\operatorname{Var}\\left(\\hat{f}(x)\right) + \\sigma_\\epsilon^2\u003C\u002Fscript>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Trạng thái mô hình\u003C\u002Fth>\n      \u003Cth>Đặc trưng độ chệch (Bias)\u003C\u002Fth>\n      \u003Cth>Đặc trưng phương sai (Variance)\u003C\u002Fth>\n      \u003Cth>Biểu hiện thực tế\u003C\u002Fth>\n      \u003Cth>Giải pháp kỹ thuật\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Mô hình quá đơn giản (Underfitting)\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Độ chệch cao (\u003Cscript type=\"math\u002Ftex\">\text{High Bias}\u003C\u002Fscript>)\u003C\u002Ftd>\n      \u003Ctd>Phương sai thấp (\u003Cscript type=\"math\u002Ftex\">\text{Low Variance}\u003C\u002Fscript>)\u003C\u002Ftd>\n      \u003Ctd>Mô hình áp đặt các giả định quá khắt khe, không học được quy luật phức tạp của dữ liệu, sai số cao trên cả tập huấn luyện và tập kiểm tra.\u003C\u002Ftd>\n      \u003Ctd>Tăng {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20ph%E1%BB%A9c%20t%E1%BA%A1p%22%7D}} của mô hình, bổ sung thêm đặc trưng {{topic|%7B%22topic%22%3A%22phi%20tuy%E1%BA%BFn%22%7D}} (polynomial features), sử dụng {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20n%C6%A1-ron%22%7D}} sâu hoặc thuật toán Boosting.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Mô hình quá phức tạp (Overfitting)\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Độ chệch thấp (\u003Cscript type=\"math\u002Ftex\">\text{Low Bias}\u003C\u002Fscript>)\u003C\u002Ftd>\n      \u003Ctd>Phương sai cao (\u003Cscript type=\"math\u002Ftex\">\text{High Variance}\u003C\u002Fscript>)\u003C\u002Ftd>\n      \u003Ctd>Mô hình học thuộc lòng cả nhiễu ngẫu nhiên của tập huấn luyện, hoạt động hoàn hảo trên train nhưng sai số nhảy vọt trên tập dữ liệu mới.\u003C\u002Ftd>\n      \u003Ctd>Thu thập thêm dữ liệu, áp dụng điều chuẩn hóa (Regularization: L1 Lasso, L2 Ridge), giảm bớt đặc trưng hoặc dùng kỹ thuật Bagging \u002F Random Forest.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Mô hình tối ưu (Optimal Balance)\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Độ chệch vừa phải\u003C\u002Ftd>\n      \u003Ctd>Phương sai vừa phải\u003C\u002Ftd>\n      \u003Ctd>Tổng sai số kiểm tra đạt giá trị cực tiểu toàn cục.\u003C\u002Ftd>\n      \u003Ctd>Sử dụng phương pháp kiểm định chéo (k-fold cross-validation) để dò tìm siêu tham số tối ưu.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Ứng dụng chấp nhận độ chệch để giảm phương sai: Hồi quy Ridge\u003C\u002Fh2>\n\u003Cp>Một nguyên lý quan trọng trong thống kê hiện đại là: đôi khi cố tình chấp nhận một lượng độ chệch nhỏ lại giúp giảm mạnh phương sai, dẫn tới tổng sai số \u003Cscript type=\"math\u002Ftex\">\\operatorname{MSE}\u003C\u002Fscript> nhỏ hơn hẳn ước lượng không chệch OLS (Ordinary Least Squares). Kỹ thuật hồi quy Ridge (L2 regularization) bổ sung một số hạng phạt vào hàm mất mát:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{\beta}_{\text{ridge}} = \\left(X^T X + \\lambda I\right)^{-1} X^T y\u003C\u002Fscript>\n\u003Cp>Khi tham số điều chuẩn \u003Cscript type=\"math\u002Ftex\">\\lambda > 0\u003C\u002Fscript>, ước lượng \u003Cscript type=\"math\u002Ftex\">\\hat{\beta}_{\text{ridge}}\u003C\u002Fscript> bị chệch về phía 0 nhưng có {{topic|%7B%22topic%22%3A%22ma%20tr%E1%BA%ADn%20hi%E1%BB%87p%20ph%C6%B0%C6%A1ng%20sai%22%7D}} nhỏ hơn đáng kể so với \u003Cscript type=\"math\u002Ftex\">\\hat{\beta}_{\text{OLS}}\u003C\u002Fscript>, đặc biệt trong các bài toán dữ liệu đa cộng tuyến cao (multicollinearity) hoặc khi số chiều đặc trưng vượt quá số lượng mẫu quan sát (\u003Cscript type=\"math\u002Ftex\">p > n\u003C\u002Fscript>).\u003C\u002Fp>","statistical bias",[90,91,92],"độ lệch thống kê","độ chệch của ước lượng","sai số hệ thống","Độ chệch (bias) trong thống kê và học máy là sự sai khác có tính hệ thống giữa kỳ vọng toán học của một ước lượng thống kê và giá trị thực sự của tham số tổng thể cần ước lượng.","NATURAL_SCIENCES",[96,104,112],{"citationText":97,"title":98,"authors":99,"source":100,"year":101,"doi":102,"url":103},"Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Science & Business Media.","The Elements of Statistical Learning","Hastie, T., Tibshirani, R., Friedman, J.","Springer Series in Statistics",2009,"10.1007\u002F978-0-387-84858-7","https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-0-387-84858-7",{"citationText":105,"title":106,"authors":107,"source":108,"year":109,"doi":110,"url":111},"Lehmann, E. L., & Casella, G. (1998). Theory of Point Estimation. Springer.","Theory of Point Estimation","Lehmann, E. L., Casella, G.","Springer",1998,"10.1007\u002Fb98854","https:\u002F\u002Fdoi.org\u002F10.1007\u002Fb98854",{"citationText":113,"title":114,"authors":115,"source":116,"year":117,"doi":118,"url":119},"Geman, S., Bienenstock, E., & Doursat, R. (1992). Neural networks and the bias\u002Fvariance dilemma. Neural Computation, 4(1), 1-58.","Neural Networks and the Bias\u002FVariance Dilemma","Geman, S., Bienenstock, E., Doursat, R.","Neural Computation",1992,"10.1162\u002Fneco.1992.4.1.1","https:\u002F\u002Fdoi.org\u002F10.1162\u002Fneco.1992.4.1.1",[121,124,127],{"question":122,"answer":123},"Ước lượng không chệch (Unbiased Estimator) có luôn tốt hơn ước lượng chệch không?","Không nhất thiết. Mặc dù ước lượng không chệch có kỳ vọng bằng đúng tham số thực, nó có thể có phương sai rất lớn dẫn đến sai số tổng thể MSE cao. Trong nhiều tình huống thực tế, một ước lượng có độ chệch nhỏ nhưng phương sai thấp hơn nhiều (như hồi quy Ridge hoặc bộ lọc Kalman) sẽ cho kết quả dự báo chính xác và ổn định hơn.",{"question":125,"answer":126},"Sự đánh đổi Độ chệch - Phương sai (Bias-Variance Tradeoff) giải thích hiện tượng Overfitting như thế nào?","Khi mô hình học máy được gia tăng độ phức tạp quá mức để giảm độ chệch xuống gần bằng 0, mô hình sẽ trở nên cực kỳ nhạy cảm với các biến động ngẫu nhiên của tập dữ liệu huấn luyện, làm phương sai (Variance) tăng vọt. Kết quả là mô hình bị Overfitting: dự báo rất tốt trên tập train nhưng sai lệch nặng nề trên dữ liệu kiểm tra mới.",{"question":128,"answer":129},"Làm thế nào để kiểm soát và giảm độ chệch trong mô hình phân tích dữ liệu?","Để giảm độ chệch cao (Underfitting), các kỹ sư có thể tăng bậc của mô hình (thêm các tương tác phi tuyến), bổ sung thêm các biến giải thích đặc trưng mới, giảm mức độ phạt điều chuẩn (regularization parameter lambda), hoặc chuyển sang các thuật toán có năng lực biểu diễn cao hơn như mạng nơ-ron sâu hay Gradient Boosting.",{"id":131,"researcherId":11,"name":132,"imageUrl":133},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":131,"researcherId":11,"name":132,"imageUrl":133},[136,137,138,139,140,141,142,143,144,145],"ước lượng","kích thước mẫu","định lý","phương sai","học có giám sát","hồi quy","độ phức tạp","phi tuyến","mạng nơ-ron","ma trận hiệp phương sai",10,"PUBLISHED","2025-06-19T08:17:09.185+00:00","2026-09-02T07:16:56.128+00:00","2025-06-24T07:43:16.508+00:00","2026-08-27T08:07:00.000+00:00","2026-09-02T07:16:56.126+00:00",666,[155,158,161,164,167,170,173,176,179,182],{"id":156,"title":157,"term":156,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"biến đổi wavelet","Biến đổi wavelet là gì? Các nghiên cứu khoa học về Wavelet Transform",{"id":159,"title":160,"term":159,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":162,"title":163,"term":162,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":165,"title":166,"term":165,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":168,"title":169,"term":168,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"thực nghiệm","Thực nghiệm là gì? Các nghiên cứu khoa học Thực nghiệm",{"id":171,"title":172,"term":171,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"khảo nghiệm","Khảo nghiệm là gì? Các công bố khoa học về Khảo nghiệm",{"id":174,"title":175,"term":174,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"pls sem","PLS-SEM là gì? Các bài nghiên cứu khoa học về PLS-SEM",{"id":177,"title":178,"term":177,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":180,"title":181,"term":180,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"cường độ chịu uốn","Cường độ chịu uốn là gì? Các nghiên cứu về Cường độ chịu uốn",{"id":183,"title":184,"term":183,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"phương trình chuyển động","Phương trình chuyển động là gì? Các bài nghiên cứu khoa học"]