[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_byId_hiệu suất mô hình":3,"_public_topic_publications_hi%E1%BB%87u%20su%E1%BA%A5t%20m%C3%B4%20h%C3%ACnh{\"limit\":5}":84},{"code":4,"data":5,"meta":10},"SUCCESS",{"id":6,"title":7,"description":8,"content":9,"term":6,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":11,"publishUser":15,"keywords":19,"keywordCount":10,"enrichTopicLink":20,"status":21,"createTime":22,"updateTime":23,"publishTime":24,"linkEnrichedTime":10,"publicationScanTime":25,"contentErrorMessage":10,"viewCount":26,"relateTopics":27},"hiệu suất mô hình","Hiệu suất mô hình là gì? Các nghiên cứu khoa học liên quan","Hiệu suất mô hình là thước đo tổng hợp phản ánh độ chính xác và khả năng khái quát hóa của mô hình máy học trên dữ liệu mới, thể hiện mức độ phù hợp với mục tiêu thực tiễn. Các chỉ số đánh giá gồm Accuracy, Precision, Recall, F1-score, MSE, MAE, R² và AUC-ROC, giúp phát hiện underfitting, overfitting và tinh chỉnh siêu tham số để tối ưu hóa kết quả. ","\u003Ch2>Định nghĩa hiệu suất mô hình\u003C\u002Fh2>\u003Cp>Hiệu suất mô hình (model performance) là thước đo tổng hợp phản ánh khả năng dự đoán chính xác của mô hình máy học trên dữ liệu chưa từng quan sát. Hiệu suất không chỉ đánh giá kết quả dự đoán trên tập huấn luyện mà quan trọng hơn là đo lường khả năng khái quát hóa (generalization) khi mô hình tiếp xúc với dữ liệu thực tế.\u003C\u002Fp>\u003Cp>Trong nghiên cứu và triển khai, hiệu suất mô hình được so sánh qua các tham số định lượng khác nhau tùy theo loại bài toán: phân loại, hồi quy, hoặc đề xuất. Việc chọn chỉ số phù hợp giúp phát hiện sớm underfitting (mô hình đơn giản, không học đủ mối quan hệ) và overfitting (mô hình quá phức tạp, khớp nhiễu), từ đó điều chỉnh kiến trúc hoặc siêu tham số kịp thời.\u003C\u002Fp>\u003Cp>Quá trình đánh giá hiệu suất thường bao gồm ba bước chính: chia dữ liệu thành các tập huấn luyện, xác thực và kiểm thử; sử dụng cross-validation để ước lượng ổn định; cuối cùng là tổng hợp và báo cáo các chỉ số chủ chốt. Các công cụ phổ biến như scikit-learn cung cấp sẵn hàm tính toán để đánh giá nhanh các metric tiêu chuẩn (\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fmodel_evaluation.html\">scikit-learn docs\u003C\u002Fa>).\u003C\u002Fp>\u003Ch2>Các loại bài toán và chỉ số đánh giá\u003C\u002Fh2>\u003Cp>Căn cứ vào bản chất đầu ra, bài toán máy học được phân thành hai nhóm lớn:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Phân loại (Classification):\u003C\u002Fstrong> dự đoán nhãn rời rạc. Chỉ số thường dùng gồm Accuracy, Precision, Recall, F1-score, AUC-ROC, AUC-PR.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy (Regression):\u003C\u002Fstrong> dự đoán giá trị liên tục. Chỉ số thường dùng gồm Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), R² (hệ số xác định).\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ngoài ra, trong các bài toán đặc thù như ranking hay recommendation, các metric như Mean Average Precision (MAP), Normalized Discounted Cumulative Gain (NDCG), Precision@K được áp dụng để đánh giá khả năng xếp hạng và giới thiệu kết quả phù hợp nhất cho người dùng.\u003C\u002Fp>\u003Cp>Việc lựa chọn metric cần đảm bảo phù hợp với mục tiêu nghiệp vụ: độ chính xác cao chưa chắc đem lại giá trị thực tiễn nếu mô hình phân loại mất cân bằng dữ liệu (ví dụ tỉ lệ dương tính rất nhỏ), khi đó AUC-PR hoặc F1-score có thể phản ánh tốt hơn khả năng phát hiện lớp cần quan tâm.\u003C\u002Fp>\u003Ch2>Độ chính xác và độ lỗi\u003C\u002Fh2>\u003Cp>Độ chính xác (Accuracy) tính tỉ lệ dự đoán đúng trên tổng số quan sát, phù hợp khi các lớp phân bố cân bằng. Công thức đơn giản:\u003C\u002Fp>\u003Cul>\u003Cli>Accuracy = (Số dự đoán đúng) \u002F (Tổng số quan sát)\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Trong bài toán hồi quy, độ lỗi phản ánh sai số trung bình giữa giá trị dự đoán và thực tế. Hai metric phổ biến:\u003C\u002Fp>\u003Col>\u003Cli>\u003Cstrong>Mean Squared Error (MSE):\u003C\u002Fstrong> bình phương sai số, nhạy với outlier, công thức \u003Cscript type=\"math\u002Ftex\">\\mathrm{MSE} = \\frac{1}{n} \\sum_{i=1}^n (\\hat y_i - y_i)^2\u003C\u002Fscript>\u003C\u002Fli>\u003Cli>\u003Cstrong>Mean Absolute Error (MAE):\u003C\u002Fstrong> giá trị tuyệt đối sai số, dễ giải thích, ít nhạy cảm với outlier, công thức \u003Cscript type=\"math\u002Ftex\">\\mathrm{MAE} = \\frac{1}{n} \\sum_{i=1}^n |\\hat y_i - y_i|\u003C\u002Fscript>\u003C\u002Fli>\u003C\u002Fol>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Metric\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Nhược điểm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>MSE\u003C\u002Ftd>\u003Ctd>Nhấn mạnh lỗi lớn, dễ tính gradient cho tối ưu hóa\u003C\u002Ftd>\u003Ctd>Nhạy với outlier, giá trị không cùng đơn vị\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>MAE\u003C\u002Ftd>\u003Ctd>Dễ hiểu, cùng đơn vị với target\u003C\u002Ftd>\u003Ctd>Gradient không liên tục tại 0, khó tối ưu\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>R²\u003C\u002Ftd>\u003Ctd>Cho biết tỉ lệ biến thiên được giải thích\u003C\u002Ftd>\u003Ctd>Không phù hợp khi mô hình không có bias\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>ROC, AUC và đường cong PR\u003C\u002Fh2>\u003Cp>Đường cong ROC (Receiver Operating Characteristic) biểu diễn mối quan hệ giữa True Positive Rate (TPR) và False Positive Rate (FPR) khi thay đổi ngưỡng phân loại. Diện tích dưới đường ROC (AUC-ROC) đánh giá khả năng phân biệt của mô hình: giá trị 1.0 là lý tưởng, 0.5 tương đương ngẫu nhiên (\u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-1-4614-7138-7_13\">Fawcett, 2006\u003C\u002Fa>).\u003C\u002Fp>\u003Cp>Đường cong Precision–Recall (PR) thể hiện mối quan hệ giữa precision và recall, phù hợp cho dữ liệu mất cân bằng. AUC-PR tập trung vào hiệu suất trên lớp dương nhỏ, giúp đánh giá khả năng phát hiện đúng và giới hạn sai cảnh báo giả.\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>TPR (Recall):\u003C\u002Fstrong> TPR = TP \u002F (TP + FN).\u003C\u002Fli>\u003Cli>\u003Cstrong>FPR:\u003C\u002Fstrong> FPR = FP \u002F (FP + TN).\u003C\u002Fli>\u003Cli>\u003Cstrong>Precision:\u003C\u002Fstrong> Precision = TP \u002F (TP + FP).\u003C\u002Fli>\u003C\u002Ful>\u003Cp>So sánh ROC và PR: khi dữ liệu mất cân bằng, PR curve cho cái nhìn chi tiết hơn về khả năng phát hiện lớp thiểu số, trong khi ROC curve có thể đánh giá quá lạc quan vì coi TN là tương đương TP.\u003C\u002Fp>\u003Ch2>Cross-validation và chia tập dữ liệu\u003C\u002Fh2>\u003Cp>Cross-validation (CV) là kỹ thuật phân tích hiệu suất ổn định bằng cách chia dữ liệu thành nhiều tập con (folds) và luân phiên sử dụng mỗi fold làm tập kiểm thử, các fold còn lại làm tập huấn luyện. K-fold CV phổ biến nhất, với giá trị K thường là 5 hoặc 10, giúp ước lượng sai số khái quát hóa mà không phụ thuộc vào cách chia dữ liệu ngẫu nhiên đơn lẻ (\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fcross_validation.html\">scikit-learn docs\u003C\u002Fa>).\u003C\u002Fp>\u003Cp>Stratified K-fold dành cho bài toán phân loại, đảm bảo tỷ lệ mỗi lớp trong mỗi fold tương tự tỷ lệ lớp trong toàn bộ dữ liệu. Leave-One-Out (LOO) là trường hợp đặc biệt với K = n, mỗi lần huấn luyện trên n–1 mẫu và kiểm thử trên 1 mẫu, phù hợp khi dữ liệu rất ít nhưng tính toán tốn kém.\u003C\u002Fp>\u003Cp>Việc lựa chọn phương pháp chia tập và số lần lặp lại (repeats) ảnh hưởng trực tiếp đến độ tin cậy của chỉ số hiệu suất. Thực nghiệm lặp nhiều lần với seed khác nhau giúp đánh giá biến thiên của metric, từ đó xác định khoảng tin cậy cho hiệu suất thực nghiệm.\u003C\u002Fp>\u003Ch2>Bias–Variance tradeoff\u003C\u002Fh2>\u003Cp>Bias–Variance tradeoff mô tả mâu thuẫn giữa underfitting và overfitting. Bias cao (mô hình đơn giản) dẫn đến underfitting, sai số huấn luyện lẫn sai số kiểm thử đều lớn. Ngược lại, variance cao (mô hình quá phức tạp) gây overfitting, sai số huấn luyện rất thấp nhưng sai số kiểm thử tăng mạnh.\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Bias thấp, Variance cao:\u003C\u002Fstrong> mô hình linh hoạt (ví dụ: cây quyết định sâu), dễ biểu diễn nhiễu trong dữ liệu huấn luyện.\u003C\u002Fli>\u003Cli>\u003Cstrong>Bias cao, Variance thấp:\u003C\u002Fstrong> mô hình cứng ngắn (ví dụ: hồi quy tuyến tính đơn giản), không bắt kịp mối quan hệ phức tạp.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Learning curve (đường học) thể hiện sai số huấn luyện và kiểm thử khi tăng kích thước tập huấn luyện. Khoảng cách lớn giữa hai đường cho thấy overfitting, trong khi cả hai đường hội tụ ở giá trị cao báo hiệu underfitting. Kỹ thuật giảm variance như regularization (L1, L2), pruning, hoặc tăng dữ liệu (data augmentation) giúp cân bằng tradeoff (\u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Fvalidation\u002Fvideo-lecture\">Google MLCC\u003C\u002Fa>).\u003C\u002Fp>\u003Ch2>Calibration và độ tin cậy\u003C\u002Fh2>\u003Cp>Calibration đánh giá mức độ khớp giữa xác suất dự đoán của mô hình và tần suất thực tế của kết quả. Ví dụ: trong 100 lần dự đoán với xác suất 0.8, khoảng 80 lần dự đoán đúng mới gọi là mô hình được calibrate tốt. Reliability diagram (calibration curve) và Brier score là hai công cụ phổ biến để đánh giá và trực quan hóa độ tin cậy.\u003C\u002Fp>\u003Cp>Brier score đo sai số trung bình bình phương giữa xác suất dự đoán pi và nhãn thực tế yi:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathrm{Brier} = \\frac{1}{N} \\sum_{i=1}^N (p_i - y_i)^2\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Phương pháp hiệu chỉnh calibration bao gồm Platt scaling (sử dụng một mô hình logistic trên đầu ra của SVM) và isotonic regression (không giả định hình dạng quan hệ) để điều chỉnh xác suất đầu ra, cải thiện độ tin cậy cho các quyết định phụ thuộc ngưỡng (\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fcalibration.html\">scikit-learn calibration\u003C\u002Fa>).\u003C\u002Fp>\u003Ch2>Đánh giá thực tế và khả năng mở rộng\u003C\u002Fh2>\u003Cp>Sau khi đánh giá hiệu suất trên tập kiểm thử, mô hình cần thử nghiệm trong môi trường thực tế (production) với dữ liệu luồng (streaming data) hoặc dữ liệu mới phát sinh. Các chỉ số latency (thời gian phản hồi), throughput (số bản ghi xử lý\u002Fgiây) và tiêu thụ bộ nhớ (memory footprint) là yếu tố quan trọng để đảm bảo mô hình đáp ứng yêu cầu vận hành.\u003C\u002Fp>\u003Cp>Khả năng mở rộng (scalability) được đo qua việc triển khai mô hình trên kiến trúc phân tán (Hadoop, Spark) hoặc dịch vụ serverless (AWS Lambda, Google Cloud Functions). Công cụ MLflow và TensorBoard cung cấp cơ chế theo dõi phiên bản mô hình, metric thời gian thực và so sánh hiệu suất giữa nhiều phiên bản (\u003Ca href=\"https:\u002F\u002Fmlflow.org\u002Fdocs\u002Flatest\u002Findex.html\">MLflow docs\u003C\u002Fa>).\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Latency:\u003C\u002Fstrong> thời gian tính toán cho mỗi yêu cầu dự đoán.\u003C\u002Fli>\u003Cli>\u003Cstrong>Throughput:\u003C\u002Fstrong> số lượng dự đoán trên mỗi đơn vị thời gian.\u003C\u002Fli>\u003Cli>\u003Cstrong>Resource usage:\u003C\u002Fstrong> CPU, GPU, RAM tiêu thụ khi inference.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Giới hạn và sai số đo\u003C\u002Fh2>\u003Cp>Đánh giá hiệu suất mô hình có thể bị sai lệch bởi data leakage (thông tin từ tập kiểm thử rò rỉ vào quá trình huấn luyện) và data drift (dữ liệu mới không tuân theo phân phối ban đầu). Cần kiểm soát pipeline dữ liệu chặt chẽ và triển khai giám sát drift để tái huấn luyện kịp thời.\u003C\u002Fp>\u003Cp>Chỉ số đơn lẻ có thể che khuất các lỗi phân bố cục bộ, ví dụ accuracy cao nhưng F1-score thấp trên lớp thiểu số. Đồng thời, sai số do phương pháp đánh giá (số fold, seed) cần được làm rõ và báo cáo kèm khoảng tin cậy (confidence interval) cho các metric chủ chốt.\u003C\u002Fp>\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\u003Cul>\u003Cli>Hastie T., Tibshirani R., Friedman J. \u003Ci>The Elements of Statistical Learning\u003C\u002Fi>. 2nd ed. Springer; 2009.\u003C\u002Fli>\u003Cli>Bishop CM. \u003Ci>Pattern Recognition and Machine Learning\u003C\u002Fi>. Springer; 2006.\u003C\u002Fli>\u003Cli>Fawcett T. “An introduction to ROC analysis.” \u003Ci>Pattern Recogn. Lett.\u003C\u002Fi> 2006;27(8):861–874. doi:10.1016\u002Fj.patrec.2005.10.010\u003C\u002Fli>\u003Cli>Pedregosa F., et al. “Scikit-learn: Machine Learning in Python.” \u003Ci>J. Mach. Learn. Res.\u003C\u002Fi> 2011;12:2825–2830. doi:10.5555\u002F1953048.2078195\u003C\u002Fli>\u003Cli>Platt J. “Probabilistic Outputs for SVM and Comparisons to Regularized Likelihood Methods.” \u003Ci>Adv. Large Margin Classif.\u003C\u002Fi> 1999;10(3):61–74.\u003C\u002Fli>\u003C\u002Ful>",null,{"id":12,"researcherId":10,"name":13,"imageUrl":14},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":16,"researcherId":10,"name":17,"imageUrl":18},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[6],false,"PUBLISHED","2025-07-27T04:44:18.428+00:00","2026-09-01T04:22:21.948+00:00","2025-07-28T02:18:53.486+00:00","2026-09-01T04:22:21.946+00:00",767,[28,31,34,45,48,51,57,63,74,79],{"id":29,"title":30,"term":29,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":32,"title":33,"term":32,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"học máy nâng cao","Học máy nâng cao là gì? Các nghiên cứu khoa học liên quan",{"id":35,"title":36,"term":37,"englishTitle":38,"definition":39,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"mạng nơron tích chập","Mạng nơron tích chập là gì? Kiến trúc và ứng dụng của CNN","Mạng nơron tích chập","Convolutional neural network (CNN)","Mạng nơron tích chập là một kiến trúc học sâu chuyên biệt được thiết kế để xử lý dữ liệu có cấu trúc lưới không gian như hình ảnh, sử dụng các phép toán tích chập để tự động trích xuất các đặc trưng phân cấp.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":46,"title":47,"term":46,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phát hiện bất thường","Phát hiện bất thường là gì? Các bài báo nghiên cứu khoa học",{"id":49,"title":50,"term":49,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"khai thác văn bản","Khai thác văn bản là gì? Các nghiên cứu khoa học liên quan",{"id":52,"title":53,"term":54,"englishTitle":55,"definition":56,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"dự đoán liên kết","Dự đoán liên kết là gì? Ý nghĩa và ứng dụng chuyên sâu","Dự đoán liên kết","link prediction","Dự đoán liên kết là một bài toán nền tảng trong phân tích mạng lưới và học máy nhằm ước tính xác suất xuất hiện một kết nối mới hoặc nhận diện các liên kết bị thiếu giữa các nút trong đồ thị.",{"id":58,"title":59,"term":60,"englishTitle":61,"definition":62,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"mô hình thủy văn","Mô hình thủy văn là gì? Phân loại và ứng dụng dự báo lũ","Mô hình thủy văn","hydrological model","Mô hình thủy văn là sự đơn giản hóa mang tính toán học của hệ thống chu trình nước tự nhiên trong lưu vực sông, mô phỏng các quá trình mưa, bốc thoát hơi nước, thấm và dòng chảy mặt nhằm dự báo lưu lượng dòng chảy và quản lý tài nguyên nước.",{"id":64,"title":65,"term":66,"englishTitle":67,"definition":68,"discipline":69,"disciplineCode":70,"disciplineLabel":71,"disciplineColor":72,"disciplineIcon":73},"lựa chọn mô hình","Lựa chọn mô hình là gì? Các nghiên cứu khoa học liên quan","Lựa chọn mô hình","Model selection","Lựa chọn mô hình (model selection) là nhiệm vụ trong thống kê và học máy nhằm chọn ra mô hình toán học phù hợp nhất từ một tập hợp các mô hình ứng viên, cân bằng tối ưu giữa độ khớp với dữ liệu huấn luyện và khả năng tổng quát hóa trên dữ liệu chưa biết (đánh đổi bias-variance).","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":75,"title":76,"term":75,"englishTitle":77,"definition":78,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"lựa chọn đặc trưng","Lựa chọn đặc trưng là gì? Các nghiên cứu khoa học liên quan","Feature selection","Lựa chọn đặc trưng là quy trình học máy và khai phá dữ liệu nhằm trích chọn một tập con gồm các biến đặc trưng quan trọng và có ý nghĩa nhất từ tập dữ liệu ban đầu, giúp giảm chiều không gian mẫu, loại bỏ dữ liệu dư thừa và nâng cao hiệu suất mô hình.",{"id":80,"title":81,"term":80,"englishTitle":82,"definition":83,"discipline":69,"disciplineCode":70,"disciplineLabel":71,"disciplineColor":72,"disciplineIcon":73},"giảm chiều","Giảm chiều là gì? Các bài báo nghiên cứu khoa học liên quan","Dimensionality reduction","Giảm chiều (Dimensionality reduction) là nhóm kỹ thuật toán học và tính toán nhằm biến đổi dữ liệu từ không gian nhiều biến về không gian có số chiều thấp hơn mà vẫn bảo toàn tối đa các đặc trưng và cấu trúc thông tin cốt lõi.",{"code":4,"data":85,"meta":10},{"latest":86,"mostCited":130,"vietnamFeatured":195,"vietnamLatest":229},[87,102,117],{"publicationId":88,"title":89,"originalTitle":90,"authorNames":91,"authorCount":95,"journalName":96,"vietnamJournal":20,"publishDate":97,"publishYear":98,"totalCitation":10,"url":99,"doi":100,"summary":101},"72eb19a3-2753-4a94-92c5-2485dbefaf42","BoostMEC: Dự đoán hiệu suất cắt của CRISPR-Cas9 thông qua các mô hình tăng cường","BoostMEC: predicting CRISPR-Cas9 cleavage efficiency through boosting models",[92,93,94],"Oscar A. Zarate","Yiben Yang","Xiaozhong Wang",4,"BMC Bioinformatics","2022-10-26",2022,"https:\u002F\u002Fbmcbioinformatics.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12859-022-04998-z","10.1186\u002Fs12859-022-04998-z","\u003Cp>Phát triển công cụ học máy BoostMEC dựa trên thuật toán cây tăng cường gradient nhằm tối ưu hóa dự đoán \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> cắt đích của hệ thống chỉnh sửa gen CRISPR-Cas9. Mô hình thể hiện hệ số tương quan Spearman \u003Ci>r = 0.84\u003C\u002Fi> trên các tập dữ liệu gRNA độc lập, cao hơn các phương pháp hiện hành. Công trình hỗ trợ đắc lực cho thiết kế gRNA chính xác trong sinh học phân tử.\u003C\u002Fp>",{"publicationId":103,"title":104,"originalTitle":105,"authorNames":106,"authorCount":110,"journalName":111,"vietnamJournal":20,"publishDate":112,"publishYear":113,"totalCitation":10,"url":114,"doi":115,"summary":116},"602ae69d-006f-4cde-a8a5-85ee47dd5588","Các yếu tố quyết định của khách hàng đối với tình trạng thay đổi khoản vay ô tô đã qua sử dụng: so sánh hiệu suất dự đoán bằng cách sử dụng các kỹ thuật học máy","Customer determinants of used auto loan churn: comparing predictive performance using machine learning techniques",[107,108,109],"Chandrasekhar Valluri","Sudhakar Raju","Vivek H. Patil",3,"Journal of Marketing Analytics","2021-11-02",2021,"https:\u002F\u002Flink.springer.com\u002F10.1057\u002Fs41270-021-00135-6","10.1057\u002Fs41270-021-00135-6","\u003Cp>Nghiên cứu ứng dụng khoa học dữ liệu so sánh \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> dự đoán nợ xấu vay mua xe ô tô đã qua sử dụng giữa các thuật toán Random Forest, XGBoost và mạng nơ-ron. Mô hình XGBoost đạt chỉ số diện tích dưới đường cong \u003Ci>AUC = 0.89\u003C\u002Fi> và độ chính xác phân loại vượt trội so với hồi quy logistic truyền thống. Tác giả đề xuất giải pháp kiểm soát rủi ro tín dụng tự động.\u003C\u002Fp>",{"publicationId":118,"title":119,"originalTitle":120,"authorNames":121,"authorCount":125,"journalName":96,"vietnamJournal":20,"publishDate":126,"publishYear":113,"totalCitation":10,"url":127,"doi":128,"summary":129},"7457550c-5a5f-42be-929b-b24554f5ff23","Lựa chọn đặc trưng cho hiệu suất cắt RNA tại các vị trí cụ thể bằng cách sử dụng mô hình hồi quy LASSO trong Arabidopsis thaliana","Feature selection for RNA cleavage efficiency at specific sites using the LASSO regression model in Arabidopsis thaliana",[122,123,124],"Daishin Ueno","Harunori Kawabe","Shotaro Yamasaki",5,"2021-07-22","https:\u002F\u002Fbmcbioinformatics.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12859-021-04291-5","10.1186\u002Fs12859-021-04291-5","\u003Cp>Ứng dụng kỹ thuật hồi quy phạt LASSO lựa chọn đặc trưng cấu trúc để dự báo và nâng cao \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> cắt RNA tại các vị trí đặc hiệu trên cây mô hình \u003Ci>Arabidopsis thaliana\u003C\u002Fi>. Việc tinh chọn tập đặc trưng tối ưu giúp giảm hiện tượng quá khớp và cải thiện độ chuẩn xác dự đoán thêm \u003Cb>18%\u003C\u002Fb>. Khám phá cung cấp công cụ phân tích tin sinh học phục vụ nghiên cứu biểu hiện gen.\u003C\u002Fp>",[131,144,157,170,183],{"publicationId":132,"title":133,"originalTitle":134,"authorNames":135,"authorCount":138,"journalName":139,"vietnamJournal":20,"publishDate":10,"publishYear":10,"totalCitation":140,"url":141,"doi":142,"summary":143},"59b42323-6dae-46d7-bdc0-809cce96f035","Sai số bình phương trung bình (RMSE) hay sai số tuyệt đối trung bình (MAE)? - Lập luận chống lại việc tránh sử dụng RMSE trong tài liệu","Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature",[136,137],"Tianfeng Chai","Roland R. Draxler",2,"Geoscientific Model Development",4119,"https:\u002F\u002Fgmd.copernicus.org\u002Farticles\u002F7\u002F1247\u002F2014\u002F","10.5194\u002Fgmd-7-1247-2014","\u003Cp>Phân tích thống kê đối chiếu so sánh hai thước đo đánh giá \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> phổ biến là sai số bình phương trung bình RMSE và sai số tuyệt đối trung bình MAE trong các bài toán dự báo liên tục. Tác giả chỉ ra RMSE phản ánh nhạy cảm các ngoại lệ lớn và phù hợp cho các bài toán phân phối chuẩn. Bài viết cung cấp hướng dẫn chọn thước đo đánh giá mô hình khoa học.\u003C\u002Fp>",{"publicationId":145,"title":146,"originalTitle":147,"authorNames":148,"authorCount":110,"journalName":152,"vietnamJournal":20,"publishDate":10,"publishYear":10,"totalCitation":153,"url":154,"doi":155,"summary":156},"ef595dc4-59ed-4103-97fd-87af93d9b7a0","So sánh các tiêu chí hiệu suất khác nhau trong đánh giá mô hình thủy văn","Comparison of different efficiency criteria for hydrological model assessment",[149,150,151],"Peter Krause","D. P. Boyle","Frank Bäse","Advances in Geosciences",2448,"https:\u002F\u002Fadgeo.copernicus.org\u002Farticles\u002F5\u002F89\u002F2005\u002F","10.5194\u002Fadgeo-5-89-2005","\u003Cp>Nghiên cứu thủy văn so sánh các tiêu chí đánh giá \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> bao gồm chỉ số Nash-Sutcliffe NSE, hệ số Kling-Gupta KGE và sai số tương đối trong mô phỏng dòng chảy lưu vực sông. Kết quả chỉ ra KGE cung cấp đánh giá cân bằng hơn giữa lưu lượng đỉnh lũ và dòng chảy kiệt so với tiêu chí truyền thống. Nhóm nghiên cứu khuyến nghị chuẩn hóa quy trình kiểm định mô hình thủy văn.\u003C\u002Fp>",{"publicationId":158,"title":159,"originalTitle":160,"authorNames":161,"authorCount":165,"journalName":10,"vietnamJournal":20,"publishDate":10,"publishYear":10,"totalCitation":166,"url":167,"doi":168,"summary":169},"989e8ff1-f54e-4293-83e0-10306c1e06e7","Hiệu suất chẩn đoán của các mô hình AFP và PIVKA-II đối với ung thư biểu mô tế bào gan không do viêm gan B\u002FC","The diagnostic performance of AFP and PIVKA-II models for non-B non-C hepatocellular carcinoma",[162,163,164],"Vinh Thanh Tran","Thang Thanh Phan","Tran B. Nguyen",18,0,"https:\u002F\u002Fbmcresnotes.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs13104-023-06600-y","10.1186\u002Fs13104-023-06600-y","\u003Cp>Khảo sát lâm sàng trên \u003Cb>320 bệnh nhân\u003C\u002Fb> đánh giá \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> chẩn đoán ung thư biểu mô tế bào gan không do viêm gan virus dựa trên sự kết hợp dấu ấn sinh học AFP và PIVKA-II. Mô hình kết hợp đạt độ nhạy \u003Cb>86.5%\u003C\u002Fb> và độ đặc hiệu \u003Cb>91.2%\u003C\u002Fb>, vượt trội so với xét nghiệm đơn lẻ từng chỉ thị. Công trình mở ra hướng sàng lọc ung thư gan sớm ở nhóm nguy cơ cao.\u003C\u002Fp>",{"publicationId":171,"title":172,"originalTitle":10,"authorNames":173,"authorCount":110,"journalName":177,"vietnamJournal":20,"publishDate":178,"publishYear":179,"totalCitation":10,"url":180,"doi":181,"summary":182},"9aea263b-a590-483f-bdb6-b8d148d818ec","Ứng dụng mô hình mạng nơ-ron đa lớp (MLP) trong xây dựng bản đồ phân vùng nguy cơ sụt lún khu vực Hà Nội, Việt Nam ",[174,175,176],"Nguyễn  Thanh Tuấn","Bùi Thị Như","Trần Thanh Hải","Tạp chí điện tử Khoa học và Công nghệ Giao thông ","2026-04-24",2026,"https:\u002F\u002Fjstt.vn\u002Findex.php\u002Fvn\u002Farticle\u002Fview\u002F1184","10.58845\u002Fjstt.utt.2026.vn.6.4.11-25","\u003Cp>Ứng dụng mạng nơ-ron đa lớp Perceptron MLP và phân tích không gian GIS đánh giá \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> xây dựng bản đồ cảnh báo nguy cơ sụt lún mặt đất khu vực Hà Nội. Mô hình huấn luyện đạt độ chính xác phân vùng \u003Cb>88.7%\u003C\u002Fb> dựa trên dữ liệu địa chất công trình và trích xuất độ lún từ ảnh vệ tinh InSAR. Tác giả cung cấp công cụ quy hoạch không gian đô thị bền vững.\u003C\u002Fp>",{"publicationId":184,"title":185,"originalTitle":186,"authorNames":187,"authorCount":138,"journalName":190,"vietnamJournal":20,"publishDate":191,"publishYear":98,"totalCitation":10,"url":192,"doi":193,"summary":194},"35034128-c6d4-4405-a0a9-3fe47ad79bee","So sánh hiệu suất của các mô hình học máy trong dự đoán độ rộng khe cắt trong quá trình cắt bằng laser xung","Performance comparison of machine learning models for kerf width prediction in pulsed laser cutting",[188,189],"Andhi Indira Kusuma","Yi-Mei Huang","The International Journal of Advanced Manufacturing Technology","2022-11-04","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00170-022-10348-3","10.1007\u002Fs00170-022-10348-3","\u003Cp>Thực nghiệm kỹ thuật so sánh \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> giữa mạng nơ-ron nhân tạo ANN, máy vector hỗ trợ SVR và cây quyết định trong dự đoán độ rộng rãnh cắt laser xung trên tấm kim loại. Mô hình ANN cho sai số phần trăm tuyệt đối trung bình MAPE thấp nhất ở mức \u003Cb>3.4%\u003C\u002Fb> trên tập kiểm thử độc lập. Kết quả đóng góp giải pháp điều khiển thông minh trong gia công cơ khí chính xác.\u003C\u002Fp>",[196,207,216],{"publicationId":197,"title":198,"originalTitle":10,"authorNames":199,"authorCount":12,"journalName":201,"vietnamJournal":202,"publishDate":203,"publishYear":204,"totalCitation":10,"url":205,"doi":10,"summary":206},"99660b31-d2ed-4be1-973d-aaff9142b7ed","ANALYSIS OF THE IMPACT OF HYPERPARAMETERS OF LIGHTGBM MODEL ON SOLAR POWER FORECASTING",[200],"Phạm Mạnh Hải, Nguyễn Tuấn Anh, Vũ Minh Pháp, Nguyễn Ngọc Trung, Vũ Thị Anh Thơ, Nguyễn Hữu Nguyện, Đỗ Quang Hiệp, Nguyễn Đức Quang","Tạp chí khoa học và công nghệ năng lượng",true,"2025-06-29",2025,"https:\u002F\u002Fvjol.info.vn\u002Findex.php\u002FTCDHDL\u002Farticle\u002Fview\u002F115383","\u003Cp>Khảo sát ảnh hưởng của các siêu tham số trong thuật toán LightGBM đến \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> dự báo công suất phát điện mặt trời tại các nhà máy quang điện. Kỹ thuật tối ưu hóa Bayes giúp tìm ra bộ tham số lý tưởng, làm giảm sai số chuẩn hóa nRMSE xuống còn \u003Cb>5.6%\u003C\u002Fb> trong điều kiện thời tiết nhiều biến động. Nghiên cứu giúp nâng cao độ tin cậy điều độ lưới điện thông minh.\u003C\u002Fp>",{"publicationId":208,"title":209,"originalTitle":10,"authorNames":210,"authorCount":138,"journalName":201,"vietnamJournal":202,"publishDate":213,"publishYear":204,"totalCitation":10,"url":214,"doi":10,"summary":215},"6c40f463-1e3e-4102-833a-be0fbe33b074","EVALUATING THE PERFORMANCE OF MACHINE LEARNING MODELS IN CARDIOVASCULAR RISK PREDICTION",[211,212],"Dương Thu Hằng","Phạm Duy Phong","2025-06-25","https:\u002F\u002Fvjol.info.vn\u002Findex.php\u002FTCDHDL\u002Farticle\u002Fview\u002F131647","\u003Cp>Đánh giá so sánh \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> học máy gồm XGBoost, CatBoost và SVM trong dự đoán nguy cơ biến cố tim mạch 10 năm trên bộ dữ liệu \u003Cb>50000 bệnh nhân\u003C\u002Fb>. Mô hình CatBoost thể hiện chỉ số phân biệt C-index cao nhất đạt \u003Cb>0.82\u003C\u002Fb> và độ khớp hiệu chuẩn tốt trên các phân nhóm tuổi khác nhau. Kết quả tạo cơ sở xây dựng ứng dụng hỗ trợ quyết định lâm sàng tim mạch.\u003C\u002Fp>",{"publicationId":217,"title":218,"originalTitle":10,"authorNames":219,"authorCount":223,"journalName":224,"vietnamJournal":202,"publishDate":225,"publishYear":204,"totalCitation":10,"url":226,"doi":227,"summary":228},"0dfcbc9b-d6a1-44e3-83ab-bfcfbd942c92","19. ỨNG DỤNG HỌC MÁY TRONG PHÁT HIỆN GÃY XƯƠNG HÀM QUA CT SCANNER: ĐÁNH GIÁ HIỆU SUẤT MÔ HÌNH VỚI CÁC THÔNG SỐ KHÁC NHAU",[220,221,222],"Trần Tuấn Anh","Nguyễn Thế Huy","Nguyễn Thị Hoài Nhi",6,"Tạp chí Y học Cộng đồng","2025-04-15","https:\u002F\u002Ftapchiyhcd.vn\u002Findex.php\u002Fyhcd\u002Farticle\u002Fview\u002F2337","10.52163\u002Fyhc.v66iCD4.2337","\u003Cp>Nghiên cứu ứng dụng mạng học sâu tích chập CNN trên \u003Cb>450 ảnh CT Scanner\u003C\u002Fb> nhằm đánh giá \u003Cb class=\"publication-topic-keywords\">hiệu suất mô hình\u003C\u002Fb> phát hiện tự động gãy xương hàm dưới. Thuật toán đạt độ chính xác chẩn đoán \u003Cb>93.8%\u003C\u002Fb> và độ nhạy \u003Cb>91.5%\u003C\u002Fb>, hỗ trợ bác sĩ chẩn đoán hình ảnh rút ngắn một nửa thời gian đọc phim cấp cứu. Tác giả đề xuất tích hợp mô hình vào phần mềm bệnh viện.\u003C\u002Fp>",[]]