[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20lo%E1%BA%A1i%20nh%E1%BB%8B%20ph%C3%A2n{\"limit\":5}":3,"_public_topic_byId_phân loại nhị phân":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":22,"discipline":23,"references":24,"faqs":48,"createUser":58,"publishUser":62,"keywords":66,"keywordCount":77,"enrichTopicLink":78,"status":79,"createTime":80,"updateTime":81,"publishTime":82,"linkEnrichedTime":83,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":84,"relateTopics":85},"phân loại nhị phân","Phân loại nhị phân là gì? Ma trận nhầm lẫn, đường cong ROC và các thuật toán","Phân loại nhị phân là bài toán học máy có giám sát nhằm gán nhãn mỗi mẫu dữ liệu đầu vào vào một trong hai nhóm nhãn phân biệt độc quyền.","\u003Cp>\u003Cstrong>Phân loại nhị phân\u003C\u002Fstrong> (binary classification) là một dạng bài toán kinh điển và cơ bản nhất trong học máy có giám sát (supervised machine learning) và thống kê học ứng dụng, trong đó nhiệm vụ của mô hình thuật toán là học một ánh xạ dự đoán \u003Cscript type=\"math\u002Ftex\">f: \\mathbb{R}^d \\to \\{0, 1\\}\u003C\u002Fscript> từ một vector không gian đặc trưng đầu vào \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> vào một trong hai nhóm nhãn rời rạc loại trừ lẫn nhau (thường được quy ước là lớp âm tính \u003Cscript type=\"math\u002Ftex\">0\u003C\u002Fscript> và lớp dương tính \u003Cscript type=\"math\u002Ftex\">1\u003C\u002Fscript>).\u003C\u002Fp>\n\n\u003Ch2>Ma trận nhầm lẫn (Confusion Matrix) và Các thước đo đánh giá cốt lõi\u003C\u002Fh2>\n\u003Cp>Hiệu năng dự đoán của một bộ phân loại nhị phân trên tập dữ liệu kiểm thử được tóm tắt qua {{topic|%7B%22topic%22%3A%22ma%20tr%E1%BA%ADn%22%7D}} \u003Cscript type=\"math\u002Ftex\">2 \\times 2\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Nhãn thực tế (Actual) \\ Nhãn dự đoán (Predicted)\u003C\u002Fth>\n\u003Cth>Dự đoán Dương tính (\u003Cscript type=\"math\u002Ftex\">\\hat{y} = 1\u003C\u002Fscript>)\u003C\u002Fth>\n\u003Cth>Dự đoán Âm tính (\u003Cscript type=\"math\u002Ftex\">\\hat{y} = 0\u003C\u002Fscript>)\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Thực tế Dương tính (\u003Cscript type=\"math\u002Ftex\">y = 1\u003C\u002Fscript>)\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>TP (True Positive)\u003C\u002Fstrong>: Dương tính thật\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>FN (False Negative)\u003C\u002Fstrong>: Âm tính giả (Sai lầm loại II)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Thực tế Âm tính (\u003Cscript type=\"math\u002Ftex\">y = 0\u003C\u002Fscript>)\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>FP (False Positive)\u003C\u002Fstrong>: Dương tính giả (Sai lầm loại I)\u003C\u002Ftd>\n\u003Ctd>\u003Cstrong>TN (True Negative)\u003C\u002Fstrong>: Âm tính thật\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Cp>Từ các ô cơ sở này, các chỉ số đo lường hiệu năng quan trọng nhất được định nghĩa:\u003C\u002Fp>\n\n\u003Ch3>1. Độ chính xác tổng thể (Accuracy)\u003C\u002Fh3>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\text{Accuracy} = \\frac{\\text{TP} + \\text{TN}}{\\text{TP} + \\text{TN} + \\text{FP} + \\text{FN}}\u003C\u002Fscript>\n\u003Cp>Chỉ số này phản ánh tỷ lệ dự đoán đúng trên toàn bộ mẫu. Tuy nhiên, nếu tập dữ liệu bị mất cân bằng lớp nặng (ví dụ: 99% mẫu âm tính, 1% mẫu dương tính), một mô hình tầm thường luôn đoán nhãn 0 vẫn đạt Accuracy = 99% nhưng vô giá trị.\u003C\u002Fp>\n\n\u003Ch3>2. Độ nhạy \u002F Tỷ lệ dương tính thật (Recall \u002F Sensitivity \u002F TPR)\u003C\u002Fh3>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\text{Recall} = \\text{Sensitivity} = \\text{TPR} = \\frac{\\text{TP}}{\\text{TP} + \\text{FN}}\u003C\u002Fscript>\n\u003Cp>Khả năng của mô hình bắt trọn được bao nhiêu phần trăm các ca dương tính thực tế trong quần thể (tối quan trọng trong chẩn đoán y khoa, tầm soát ung thư để tránh bỏ sót ca bệnh).\u003C\u002Fp>\n\n\u003Ch3>3. Độ chuẩn xác (Precision \u002F Positive Predictive Value - PPV)\u003C\u002Fh3>\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\text{Precision} = \\frac{\\text{TP}}{\\text{TP} + \\text{FP}}\u003C\u002Fscript>\n\u003Cp>Trong số tất cả các ca mà {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20d%E1%BB%B1%20%C4%91o%C3%A1n%22%7D}} là dương tính, có bao nhiêu phần trăm thực sự là dương tính đúng (quan trọng trong phát hiện thư rác spam hoặc cảnh báo gian lận giao dịch để tránh báo động giả).\u003C\u002Fp>\n\n\u003Ch3>4. Điểm F1 (F1-Score)\u003C\u002Fh3>\n\u003Cscript type=\"math\u002Ftex; mode=display\">F_1 = 2 \\times \\frac{\\text{Precision} \\times \\text{Recall}}{\\text{Precision} + \\text{Recall}} = \\frac{2\\text{TP}}{2\\text{TP} + \\text{FP} + \\text{FN}}\u003C\u002Fscript>\n\u003Cp>Điểm F1 là trung bình điều hòa giữa Precision và Recall, đạt giá trị cao nhất là 1 khi cả hai chỉ số đều hoàn hảo.\u003C\u002Fp>\n\n\u003Ch2>Phân tích Đường cong ROC và Chỉ số ROC-AUC\u003C\u002Fh2>\n\u003Cp>Hầu hết các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%22%7D}} phân loại hiện đại không đưa ra nhãn nhị phân trực tiếp mà dự đoán một giá trị {{topic|%7B%22topic%22%3A%22x%C3%A1c%20su%E1%BA%A5t%22%7D}} liên tục \u003Cscript type=\"math\u002Ftex\">p = P(y = 1 | x) \\in [0, 1]\u003C\u002Fscript>. Một mẫu được {{topic|%7B%22topic%22%3A%22g%C3%A1n%20nh%C3%A3n%22%7D}} 1 nếu \u003Cscript type=\"math\u002Ftex\">p \\ge \\tau\u003C\u002Fscript> (với \u003Cscript type=\"math\u002Ftex\">\\tau\u003C\u002Fscript> là ngưỡng quyết định phân loại - classification threshold, mặc định là 0.5).\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Đường cong ROC (Receiver Operating Characteristic Curve):\u003C\u002Fstrong> Là đồ thị biểu diễn mối quan hệ giữa Độ nhạy (\u003Cscript type=\"math\u002Ftex\">\\text{TPR}\u003C\u002Fscript>) trên trục tung \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript> và Tỷ lệ dương tính giả (\u003Cscript type=\"math\u002Ftex\">\\text{FPR} = 1 - \\text{Specificity} = \\frac{\\text{FP}}{\\text{FP} + \\text{TN}}\u003C\u002Fscript>) trên trục hoành \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> khi ngưỡng \u003Cscript type=\"math\u002Ftex\">\\tau\u003C\u002Fscript> quét liên tục từ 1 về 0 (Fawcett, 2006).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Chỉ số AUC (Area Under the ROC Curve):\u003C\u002Fstrong> Diện tích nằm dưới đường cong ROC đo lường xác suất một mẫu dương tính ngẫu nhiên được mô hình xếp hạng xác suất cao hơn một mẫu âm tính ngẫu nhiên:\n  \u003Cul>\n    \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\text{AUC} = 0.5\u003C\u002Fscript>: Mô hình hoàn toàn không có khả năng phân biệt (tương đương tung đồng xu ngẫu nhiên).\u003C\u002Fli>\n    \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\text{AUC} = 0.7 - 0.8\u003C\u002Fscript>: Khả năng phân biệt chấp nhận được.\u003C\u002Fli>\n    \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\text{AUC} = 0.8 - 0.9\u003C\u002Fscript>: Khả năng phân biệt xuất sắc.\u003C\u002Fli>\n    \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\text{AUC} > 0.9\u003C\u002Fscript>: Khả năng phân biệt vượt trội (gần như hoàn hảo).\u003C\u002Fli>\n  \u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các thuật toán phân loại nhị phân phổ biến\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Mô hình thuật toán\u003C\u002Fth>\n\u003Cth>Nguyên lý phân loại cốt lõi\u003C\u002Fth>\n\u003Cth>Ưu điểm nổi bật\u003C\u002Fth>\n\u003Cth>Hạn chế chính\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Hồi quy Logistic (Logistic Regression)\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Sử dụng hàm Sigmoid \u003Cscript type=\"math\u002Ftex\">\\sigma(z) = \frac{1}{1 + e^{-z}}\u003C\u002Fscript> {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%C3%B3a%22%7D}} logit xác suất\u003C\u002Ftd>\n\u003Ctd>Đơn giản, tính toán nhanh, hệ số {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%22%7D}} (Odd Ratios) dễ giải thích\u003C\u002Ftd>\n\u003Ctd>Chỉ tìm được ranh giới quyết định tuyến tính\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Máy vectơ hỗ trợ (Support Vector Machine - SVM)\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Tìm siêu phẳng phân cách cực đại hóa lề (Margin) kết hợp biến đổi Kernel {{topic|%7B%22topic%22%3A%22phi%20tuy%E1%BA%BFn%22%7D}}\u003C\u002Ftd>\n\u003Ctd>Hiệu quả cao trong không gian số chiều lớn, chống quá khớp tốt\u003C\u002Ftd>\n\u003Ctd>Huấn luyện chậm trên tập dữ liệu rất lớn\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Cây quyết định & Rừng ngẫu nhiên (Random Forest)\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Tập hợp (Ensemble) nhiều {{topic|%7B%22topic%22%3A%22c%C3%A2y%20quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh%22%7D}} kết hợp {{topic|%7B%22topic%22%3A%22l%E1%BA%A5y%20m%E1%BA%ABu%22%7D}} Bagging\u003C\u002Ftd>\n\u003Ctd>Xử lý tốt đặc trưng phi tuyến và dữ liệu dạng bảng, không cần chuẩn hóa\u003C\u002Ftd>\n\u003Ctd>Mô hình kích thước lớn, khó suy diễn xác suất mượt\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Gradient Boosting (XGBoost, LightGBM, CatBoost)\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Xây dựng chuỗi cây quyết định tuần tự sửa chữa sai số của các cây trước\u003C\u002Ftd>\n\u003Ctd>Độ chính xác thuộc nhóm cao nhất đối với dữ liệu dạng bảng có cấu trúc\u003C\u002Ftd>\n\u003Ctd>Nhiều siêu tham số cần tinh chỉnh cẩn thận\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Mạng thần kinh nhân tạo (Deep Neural Networks)\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Nhiều lớp ẩn phi tuyến với hàm kích hoạt Sigmoid ở tầng đầu ra và mất mát Binary Cross-Entropy\u003C\u002Ftd>\n\u003Ctd>Học biểu diễn đặc trưng tự động vượt trội từ dữ liệu phi cấu trúc (ảnh, văn bản)\u003C\u002Ftd>\n\u003Ctd>Đòi hỏi dữ liệu huấn luyện rất lớn, chi phí phần cứng GPU cao\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>","Binary Classification",[19,20,21],"phân lớp nhị phân","binary classification","mô hình phân loại hai lớp","Phân loại nhị phân (binary classification) là một dạng bài toán kinh điển và cơ bản nhất trong học máy có giám sát (supervised machine learning) và thống kê học ứng dụng, trong đó nhiệm vụ của mô hình thuật toán là học một ánh xạ dự đoán f: \\mathbb{R}^d \\to \\{0, 1\\} từ một vector không gian đặc trưng đầu vào x vào một trong hai nhóm nhãn rời rạc loại trừ lẫn nhau (thường được quy ước là lớp âm tính 0 và lớp dương tính 1).","NATURAL_SCIENCES",[25,33,40],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":32},"Fawcett (2006). An introduction to ROC analysis. Pattern Recognition Letters.","An introduction to ROC analysis","Fawcett T.","Pattern Recognition Letters",2006,"10.1016\u002Fj.patrec.2005.10.010","https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patrec.2005.10.010",{"citationText":34,"title":35,"authors":36,"source":37,"year":30,"doi":38,"url":39},"Nocedal & Wright (2006). Numerical Optimization. Springer.","Numerical Optimization","Nocedal, Wright","Springer","10.1007\u002F978-0-387-40065-5","https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-0-387-40065-5",{"citationText":41,"title":42,"authors":43,"source":44,"year":45,"doi":46,"url":47},"Davis (2000). MEMBRANE SEPARATIONS | Diffusion Dialysis. Encyclopedia of Separation Science.","MEMBRANE SEPARATIONS | Diffusion Dialysis","Davis T.A.","Encyclopedia of Separation Science",2000,"10.1016\u002Fb0-12-226770-2\u002F05751-3","https:\u002F\u002Fdoi.org\u002F10.1016\u002Fb0-12-226770-2\u002F05751-3",[49,52,55],{"question":50,"answer":51},"Bốn thành phần cơ bản của Ma trận nhầm lẫn (Confusion Matrix) là gì?","Bốn thành phần gồm: True Positive (TP - Dương tính thật), True Negative (TN - Âm tính thật), False Positive (FP - Dương tính giả \u002F Sai lầm loại I) và False Negative (FN - Âm tính giả \u002F Sai lầm loại II).",{"question":53,"answer":54},"Đường cong ROC và diện tích dưới đường cong AUC đo lường điều gì?","Đường cong ROC (Receiver Operating Characteristic) biểu diễn mối quan hệ đánh đổi giữa Tỷ lệ dương tính thật (TPR \u002F Độ nhạy) trên trục tung và Tỷ lệ dương tính giả (FPR \u002F 1 - Độ đặc hiệu) trên trục hoành qua mọi ngưỡng quyết định. Chỉ số AUC từ 0.5 (phán đoán ngẫu nhiên) đến 1.0 (phân loại hoàn hảo).",{"question":56,"answer":57},"Khi tập dữ liệu bị mất cân bằng lớp trầm trọng (imbalanced classes), thước đo nào thích hợp hơn Accuracy?","Nên sử dụng điểm F1-Score (trung bình điều hòa giữa Precision và Recall), diện tích dưới đường cong PR-AUC (Precision-Recall Curve), hoặc chỉ số MCC (Matthews Correlation Coefficient).",{"id":59,"researcherId":10,"name":60,"imageUrl":61},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":63,"researcherId":10,"name":64,"imageUrl":65},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[67,68,69,70,71,72,73,74,75,76],"ma trận","mô hình dự đoán","thuật toán","xác suất","gán nhãn","mô hình hóa","hồi quy","phi tuyến","cây quyết định","lấy mẫu",10,true,"PUBLISHED","2025-04-18T15:42:57.042+00:00","2026-09-02T02:03:54.598+00:00","2025-08-28T04:14:57.376+00:00","2026-09-02T02:03:54.147+00:00",284,[86,89,92,95,98,101,104,107,110,113],{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":99,"title":100,"term":99,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"matlab simulink","Matlab simulink là gì? Các công bố khoa học về Matlab simulink",{"id":102,"title":103,"term":102,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"biến đổi wavelet","Biến đổi wavelet là gì? Các nghiên cứu khoa học về Wavelet Transform",{"id":105,"title":106,"term":105,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":108,"title":109,"term":108,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":111,"title":112,"term":111,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":114,"title":115,"term":114,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI"]