Phân lớp là gì? Các bài báo nghiên cứu khoa học liên quan

Định nghĩa phân lớp

Phân lớp là quá trình gán một nhãn hoặc danh mục cụ thể cho mỗi điểm dữ liệu dựa trên các đặc trưng đầu vào. Đây là một nhánh của học có giám sát (supervised learning), nơi mô hình học từ một tập dữ liệu đã được gán nhãn để dự đoán nhãn cho dữ liệu mới. Nói cách khác, phân lớp là bài toán ánh xạ từ không gian đầu vào sang một tập rời rạc các nhãn đầu ra.

Trong mô hình phân lớp, dữ liệu đầu vào được biểu diễn dưới dạng vector đặc trưng, còn đầu ra là một biến rời rạc. Mục tiêu của thuật toán là xây dựng một hàm ánh xạ $f: \mathbb{R}^n \rightarrow \{1, 2, ..., K\}$, trong đó $K$ là số lớp. Với mỗi đầu vào $\mathbf{x}$, mô hình dự đoán xác suất thuộc về từng lớp và chọn lớp có xác suất cao nhất.

Ví dụ đơn giản về bài toán phân lớp gồm có:

• Phân biệt email là spam hay không (phân lớp nhị phân)
• Phân loại ảnh chữ số viết tay (0–9)
• Phân tích văn bản để xác định cảm xúc (tích cực, tiêu cực, trung tính)

Các bài toán phân lớp phổ biến

Các biến thể của bài toán phân lớp được chia dựa trên số lượng lớp và bản chất của nhãn đầu ra. Mỗi dạng yêu cầu kỹ thuật xử lý và đánh giá hiệu suất khác nhau. Dưới đây là các dạng phân lớp chính:

• Phân lớp nhị phân (Binary Classification): chỉ có hai lớp. Ví dụ: phân biệt ảnh mèo và chó.
• Phân lớp đa lớp (Multiclass Classification): có nhiều hơn hai lớp, nhưng mỗi mẫu chỉ thuộc một lớp. Ví dụ: nhận dạng chữ số từ 0 đến 9.
• Phân lớp đa nhãn (Multilabel Classification): mỗi mẫu có thể thuộc nhiều lớp cùng lúc. Ví dụ: một bài báo khoa học có thể được gán nhãn là “y học”, “AI”, và “đạo đức”.

Bảng so sánh ba loại bài toán phân lớp thường gặp:

Dạng phân lớp	Số lớp	Số nhãn mỗi mẫu	Ví dụ ứng dụng
Nhị phân	2	1	Phát hiện email spam
Đa lớp	> 2	1	Nhận dạng chữ số
Đa nhãn	> 2	> 1	Phân loại tài liệu nhiều chủ đề

Không gian đặc trưng và ranh giới phân lớp

Trong các mô hình phân lớp, mỗi mẫu dữ liệu được ánh xạ thành một điểm trong không gian đặc trưng $\mathbb{R}^n$. Mục tiêu của thuật toán là tìm một siêu mặt (hyperplane) hoặc đường cong phi tuyến chia không gian đó thành các vùng ứng với từng lớp.

Ranh giới phân lớp là tập hợp các điểm mà tại đó xác suất thuộc các lớp là bằng nhau. Trong mô hình phân lớp tuyến tính, ranh giới được biểu diễn dưới dạng phương trình tuyến tính: $\mathbf{w}^T \mathbf{x} + b = 0$

Ví dụ minh họa với mô hình hồi quy logistic trong bài toán nhị phân. Nếu sử dụng xác suất dự đoán: $P(y = 1 | \mathbf{x}) = \frac{1}{1 + e^{-(\mathbf{w}^T \mathbf{x} + b)}}$ thì ranh giới phân lớp là tập các điểm mà $P = 0.5$, tương ứng với hàm sigmoid có giá trị 0.5 tại $\mathbf{w}^T \mathbf{x} + b = 0$.

Thuật toán phân lớp

Có nhiều thuật toán khác nhau được sử dụng cho bài toán phân lớp, mỗi loại có đặc điểm riêng và phù hợp với loại dữ liệu khác nhau. Một số thuật toán phổ biến nhất bao gồm:

• Hồi quy logistic: thuật toán phân lớp nhị phân tuyến tính, đơn giản và hiệu quả khi dữ liệu có thể phân tách tuyến tính.
• SVM (Support Vector Machines): tìm siêu mặt tối ưu với biên rộng nhất giữa các lớp.
• Cây quyết định và rừng ngẫu nhiên: mô hình phân tách dữ liệu theo cấu trúc cây, dễ giải thích, hiệu quả với dữ liệu rối.
• KNN (K-Nearest Neighbors): không cần huấn luyện, phân lớp dựa trên đa số lân cận gần nhất.
• Mạng nơ-ron nhân tạo: mô hình phi tuyến có khả năng học biểu diễn phức tạp, đặc biệt mạnh khi có nhiều dữ liệu.

Bảng so sánh các thuật toán chính:

Thuật toán	Loại ranh giới	Ưu điểm	Nhược điểm
Logistic Regression	Tuyến tính	Đơn giản, dễ diễn giải	Hạn chế với dữ liệu phi tuyến
SVM	Tuyến tính / phi tuyến (với kernel)	Hiệu suất cao với dữ liệu có biên rõ	Chậm với dữ liệu lớn
Random Forest	Phi tuyến	Ổn định, xử lý tốt dữ liệu thiếu	Khó giải thích hơn cây đơn
KNN	Phi tuyến	Không cần huấn luyện	Chậm khi phân lớp

Tham khảo thêm mô tả chi tiết tại Scikit-learn - Supervised Learning.

Đánh giá hiệu suất mô hình phân lớp

Hiệu suất của mô hình phân lớp được đánh giá thông qua các chỉ số thống kê phản ánh độ chính xác và khả năng khái quát hóa. Mỗi chỉ số phù hợp với mục tiêu bài toán và đặc tính dữ liệu khác nhau. Đặc biệt trong các tập dữ liệu mất cân bằng, các chỉ số như F1-score hoặc AUC trở nên quan trọng hơn nhiều so với chỉ số accuracy đơn thuần.

Các chỉ số đánh giá phổ biến:

• Accuracy: tỷ lệ dự đoán đúng trên toàn bộ dữ liệu.
• Precision: tỷ lệ dự đoán đúng trên các mẫu được dự đoán là dương.
• Recall: tỷ lệ phát hiện đúng trên toàn bộ mẫu dương thực sự.
• F1-score: trung bình điều hòa của Precision và Recall: $F_1 = \frac{2 \cdot \text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$
• Confusion Matrix: bảng thể hiện phân bố đúng-sai giữa các lớp.

Ví dụ về ma trận nhầm lẫn trong bài toán nhị phân:

	Dự đoán: Dương	Dự đoán: Âm
Thực tế: Dương	TP (True Positive)	FN (False Negative)
Thực tế: Âm	FP (False Positive)	TN (True Negative)

Quá khớp và khái quát hóa

Quá khớp (overfitting) là hiện tượng mô hình học thuộc cả nhiễu và chi tiết không quan trọng trong tập huấn luyện, dẫn đến hiệu suất thấp trên dữ liệu chưa thấy. Ngược lại, mô hình khái quát hóa tốt sẽ duy trì hiệu quả dự đoán trên dữ liệu mới mà không bị ảnh hưởng bởi sai số huấn luyện nhỏ.

Biện pháp giảm quá khớp bao gồm:

• Giảm độ phức tạp mô hình (giảm số đặc trưng hoặc chiều sâu cây quyết định)
• Sử dụng regularization, ví dụ: $\min_{\mathbf{w}} \left[ L(\mathbf{w}) + \lambda \|\mathbf{w}\|^2 \right]$
• Dừng sớm (early stopping) trong huấn luyện
• Sử dụng kỹ thuật dropout trong mạng nơ-ron
• Cross-validation để chọn mô hình tối ưu

Tiền xử lý dữ liệu trong phân lớp

Tiền xử lý dữ liệu là bước bắt buộc để đảm bảo chất lượng đầu vào cho mô hình phân lớp. Dữ liệu thực tế thường chứa lỗi, giá trị thiếu, chênh lệch đơn vị đo hoặc đặc trưng không phù hợp. Các bước tiền xử lý được thiết kế để chuẩn hóa đầu vào và cải thiện hiệu quả học máy.

Các bước tiền xử lý thường bao gồm:

• Chuẩn hóa dữ liệu: dùng MinMaxScaler hoặc StandardScaler để đưa dữ liệu về cùng phân phối.
• Biến đổi nhãn: dùng One-hot encoding hoặc Label encoding.
• Xử lý dữ liệu mất: dùng trung bình, trung vị hoặc mô hình dự đoán để điền giá trị thiếu.
• Giảm chiều: dùng PCA, LDA hoặc t-SNE để rút gọn số chiều mà vẫn giữ thông tin quan trọng.

Một ví dụ về one-hot encoding với nhãn “màu”:

Màu	One-hot Vector
Đỏ	[1, 0, 0]
Xanh	[0, 1, 0]
Vàng	[0, 0, 1]

Phân lớp trong học sâu

Phân lớp trong học sâu được thực hiện thông qua các mạng nơ-ron nhiều lớp (deep neural networks) có khả năng tự động học đặc trưng từ dữ liệu đầu vào. Các tầng đầu vào thường xử lý tín hiệu thô như ảnh, văn bản hoặc âm thanh. Tầng cuối cùng là tầng softmax trả về xác suất phân phối trên các lớp: $P(y_i|\mathbf{x}) = \frac{e^{z_i}}{\sum_{j} e^{z_j}}$

Ưu điểm nổi bật:

• Khả năng học phi tuyến rất mạnh
• Tự động trích xuất đặc trưng, không cần thủ công
• Hiệu quả cao với dữ liệu lớn và phức tạp

Mạng học sâu được dùng rộng rãi trong:

• Thị giác máy tính (nhận diện khuôn mặt, xe tự lái)
• Xử lý ngôn ngữ tự nhiên (dịch máy, phân loại cảm xúc)
• Y học (chẩn đoán hình ảnh, phân loại mô học)

Tham khảo thêm tại DeepAI - Classification.

Ứng dụng thực tế của phân lớp

Phân lớp là công nghệ cốt lõi trong nhiều hệ thống thông minh và ứng dụng thực tiễn. Bằng cách tự động gán nhãn, hệ thống có thể phân tích, lọc và phản hồi dữ liệu đầu vào theo cách có ý nghĩa.

Các ứng dụng tiêu biểu:

• Ngân hàng: phát hiện gian lận giao dịch qua thẻ tín dụng.
• Y học: phân loại tế bào ung thư từ ảnh hiển vi.
• Thương mại điện tử: gợi ý sản phẩm dựa trên hành vi người dùng.
• An ninh mạng: phân loại tệp độc hại dựa trên đặc trưng hành vi.
• Trợ lý ảo: phân tích câu hỏi và gán nhãn mục đích người dùng.

Tài liệu tham khảo

1. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
2. Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
3. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer.
4. Scikit-learn - Supervised Learning
5. DeepAI - Classification