6.1. Hồi quy Logistic (Logistic Regression) và Các thang đo đánh giá phân lớp

6.1.1. Bản chất Hồi quy Logistic và Hàm Sigmoid

Mặc dù mang tên gọi là "Hồi quy" (Regression), Hồi quy Logistic thực chất là một thuật toán học máy được thiết kế chuyên biệt để giải quyết bài toán phân lớp (Classification), đặc biệt là phân lớp nhị phân. Khác với Hồi quy tuyến tính cố gắng dự đoán một giá trị số liên tục, mục tiêu cốt lõi của Hồi quy Logistic là ước lượng xác suất để một quan sát thuộc về một nhóm hoặc một trạng thái nhất định (ví dụ: xác suất vỡ nợ, xác suất email là thư rác, hay xác suất mắc bệnh).

1. Cơ chế nén giá trị tuyến tính thành xác suất bằng hàm Sigmoid

Trong mô hình này, hệ thống ban đầu vẫn thực hiện việc tính toán một tổng có trọng số (tổ hợp tuyến tính) từ các đặc trưng đầu vào, tương tự như quy trình của hồi quy tuyến tính: 

Giá trị z này (còn gọi là log-odds) có thể nhận bất kỳ giá trị số thực nào từ âm vô cực đến dương vô cực. Tuy nhiên, xác suất thì không thể vượt ra ngoài khoảng 0 và 1. Để chuyển đổi một con số tự do như vậy thành một xác suất hợp lệ, mô hình sử dụng một công cụ toán học mang tên hàm Sigmoid (hay hàm Logistic).

Công thức của hàm Sigmoid được biểu diễn như sau: 

Hàm Sigmoid hoạt động như một "bộ nén" với đường cong hình chữ S đặc trưng. Nó nhận đầu vào là giá trị z và ánh xạ (nén) mọi giá trị thực đó vào một khoảng không gian giới hạn nghiêm ngặt từ 0 đến 1. Bất kể tổng tuyến tính z lớn hay nhỏ đến đâu, kết quả đầu ra luôn được đảm bảo nằm trong khoảng (0, 1), cho phép chúng ta diễn giải kết quả này một cách trực tiếp là xác suất xảy ra của sự kiện mục tiêu (ví dụ: mô hình có thể dự đoán một email có 92% khả năng là thư rác).

2. Thiết lập Ngưỡng quyết định (Decision Threshold) mặc định là 0.5

Sau khi hàm Sigmoid đã tính toán ra được xác suất (từ 0 đến 1), mô hình cần một quy tắc để đưa ra quyết định phân loại cuối cùng xem đối tượng sẽ được gán nhãn 0 hay nhãn 1. Để làm được điều này, thuật toán áp dụng một Ngưỡng quyết định (Decision Threshold), với giá trị mặc định phổ biến nhất là 0.5.

Cơ chế đưa ra quyết định của ngưỡng này diễn ra như sau:

• Nếu xác suất dự đoán P(y=1|X) >= 0.5: Mô hình sẽ tự động gán quan sát đó thuộc Lớp 1 (Positive / Có xảy ra sự kiện, ví dụ: "Mắc bệnh" hoặc "Vỡ nợ").

• Nếu xác suất dự đoán P(y=1|X) < 0.5: Mô hình sẽ gán quan sát đó thuộc Lớp 0 (Negative / Không xảy ra sự kiện).

Mặc dù 0.5 là ngưỡng phân loại mặc định và trực quan nhất cho các bài toán nhị phân, trong thực tế kinh doanh, ngưỡng này không hề cứng nhắc mà hoàn toàn có thể được điều chỉnh linh hoạt. Tùy thuộc vào mục tiêu chiến lược, bài toán đặc thù hoặc mức độ chấp nhận rủi ro của doanh nghiệp, người phân tích có thể chủ động hạ thấp ngưỡng (ví dụ: xuống 0.3 để cảnh báo sớm nhiều rủi ro hơn) hoặc nâng cao ngưỡng để tránh làm phiền khách hàng bằng các báo động giả.

6.1.2. Giải mã Ma trận nhầm lẫn (Confusion Matrix)

Sau khi thiết lập ngưỡng quyết định để phân loại các xác suất thành nhãn (0 hoặc 1), chúng ta cần đánh giá xem mô hình hoạt động hiệu quả đến mức nào. Mặc dù độ chính xác tổng thể (Accuracy) là một thước đo phổ biến, nhưng nó thường gây hiểu lầm nghiêm trọng đối với các bộ dữ liệu bị mất cân bằng. Để khắc phục điều này, các nhà phân tích sử dụng Ma trận nhầm lẫn (Confusion Matrix) – một công cụ trực quan cốt lõi để phân tích chi tiết mô hình đang dự đoán đúng ở đâu và mắc phải loại lỗi phân loại nào.

1. Cấu trúc 4 ô của Ma trận nhầm lẫn Đối với bài toán phân lớp nhị phân, ma trận nhầm lẫn là một bảng thống kê kích thước 2x2 đối chiếu giữa kết quả dự đoán của mô hình và nhãn thực tế khách quan,,. Cấu trúc này chia toàn bộ kết quả thành 4 ô (4 trường hợp) cụ thể:

• True Positive (TP - Dương tính thật): Thực tế đối tượng thuộc Lớp 1 (Positive) và mô hình dự đoán chính xác là Lớp 1. Ví dụ: Khách hàng thực tế vỡ nợ và hệ thống dự báo đúng là vỡ nợ.

• True Negative (TN - Âm tính thật): Thực tế đối tượng thuộc Lớp 0 (Negative) và mô hình dự đoán chính xác là Lớp 0. Ví dụ: Bệnh nhân thực tế khỏe mạnh và được chẩn đoán đúng là khỏe mạnh.

• False Positive (FP - Dương tính giả): Thực tế đối tượng thuộc Lớp 0 (Negative) nhưng mô hình lại dự đoán sai thành Lớp 1 (Positive).

• False Negative (FN - Âm tính giả): Thực tế đối tượng thuộc Lớp 1 (Positive) nhưng mô hình lại dự đoán sai thành Lớp 0 (Negative).

2. Định nghĩa Lỗi loại I (Báo động giả) và Lỗi loại II (Bỏ sót rủi ro) Hai ô dự đoán sai (FP và FN) trong ma trận nhầm lẫn chính là đại diện cho hai loại sai lầm mang ý nghĩa kinh tế và thực tiễn hoàn toàn khác nhau:

• Lỗi loại I (Type I Error - Báo động giả): Tương ứng với ô False Positive (FP), xảy ra khi mô hình "báo động" về một sự kiện không hề có thật,. Trong y tế, đây là khi một người khỏe mạnh bị chẩn đoán nhầm là có bệnh, gây tâm lý lo lắng và tốn kém chi phí xét nghiệm lại,. Trong tài chính, đây là khi một giao dịch hợp lệ bị hệ thống chặn lại vì nghi ngờ gian lận, hoặc một khách hàng an toàn bị từ chối cấp tín dụng, gây ảnh hưởng đến trải nghiệm người dùng và làm mất doanh thu tiềm năng của doanh nghiệp,,.

• Lỗi loại II (Type II Error - Bỏ sót rủi ro): Tương ứng với ô False Negative (FN), xảy ra khi mô hình "bỏ lọt" một rủi ro thực sự đang tồn tại,. Trong y khoa, đây là lỗi vô cùng nguy hiểm khi một bệnh nhân mắc khối u ác tính lại được chẩn đoán nhầm là lành tính, làm lỡ thời gian vàng để điều trị và đe dọa tính mạng,. Trong quản trị rủi ro tín dụng, đây là khi một khách hàng sẽ vỡ nợ nhưng lại được mô hình phê duyệt cho vay, dẫn đến rủi ro tổn thất vốn trực tiếp và nặng nề cho tổ chức tài chính,,.

Sự đánh đổi chiến lược: Trong hầu hết các bài toán thực tiễn của kinh doanh và y tế, chi phí của hai loại sai lầm này là bất đối xứng, trong đó Lỗi loại II (FN) thường nguy hiểm và tốn kém hơn rất nhiều so với Lỗi loại I (FP),,. Việc giải mã thành công Ma trận nhầm lẫn sẽ giúp ban lãnh đạo đưa ra quyết định điều chỉnh ngưỡng xác suất hợp lý nhằm ưu tiên giảm thiểu loại lỗi gây thiệt hại lớn nhất cho tổ chức.

6.1.3. Vượt qua cạm bẫy "Accuracy" bằng Bộ chỉ số chuyên sâu

1. Vì sao Accuracy vô dụng khi dữ liệu mất cân bằng?

Độ chính xác tổng thể (Accuracy) là tỷ lệ số lượng dự đoán đúng trên tổng số các quan sát,. Mặc dù đây là chỉ số dễ hiểu nhất, nhưng việc sử dụng Accuracy làm thước đo chuẩn mực đối với các tập dữ liệu mất cân bằng nghiêm trọng (Class Imbalance) sẽ dẫn tới những nhận định sai lệch chết người,.

Trong thực tế kinh tế, các biến cố rủi ro thường chiếm tỷ lệ rất nhỏ. Ví dụ, trong bài toán phát hiện gian lận thẻ tín dụng, giao dịch hợp lệ có thể chiếm 99,94%, trong khi giao dịch gian lận chỉ chiếm 0,06%. Nếu sử dụng Accuracy, một mô hình "lười biếng" chỉ cần gán nhãn tất cả mọi giao dịch đều là "Hợp lệ" thì vẫn dễ dàng đạt được Accuracy lên tới 99,94%,. Tuy nhiên, mô hình này hoàn toàn vô dụng trong thực tiễn vì nó đã bỏ sót 100% các giao dịch gian lận - mục tiêu cốt lõi mà doanh nghiệp cần tìm kiếm,. Chính vì cạm bẫy này, khi làm việc với dữ liệu mất cân bằng, chúng ta phải từ bỏ Accuracy để chuyển sang bộ chỉ số chuyên sâu tập trung vào lớp thiểu số.

2. Ý nghĩa thực chiến của Precision, Recall và F1-Score

Để đánh giá chính xác năng lực của mô hình phân lớp, chúng ta cần dựa vào ba chỉ số cốt lõi được trích xuất từ Ma trận nhầm lẫn (Confusion Matrix):

• Precision (Độ chuẩn xác): Được tính bằng công thức TP / (TP + FP). Chỉ số này trả lời cho câu hỏi: Trong số tất cả các trường hợp hệ thống cảnh báo là rủi ro (Positive), có bao nhiêu trường hợp thực sự là rủi ro?.

  • Ý nghĩa thực chiến: Precision được ưu tiên tối ưu khi chi phí của việc báo động giả (False Positive) là rất lớn. Ví dụ, trong hệ thống lọc thư rác, nếu Precision thấp, hệ thống sẽ xóa nhầm các email công việc quan trọng của khách hàng; hoặc trong ngân hàng, cảnh báo gian lận sai quá nhiều sẽ khiến tài khoản của khách hàng hợp lệ bị khóa, làm giảm trải nghiệm người dùng,.

• Recall (Độ nhạy / Độ bao phủ): Được tính bằng công thức TP / (TP + FN). Chỉ số này trả lời cho câu hỏi: Trong tổng số các trường hợp rủi ro thực sự, hệ thống đã phát hiện và "tóm gọn" được bao nhiêu phần trăm?

  • Ý nghĩa thực chiến: Recall là kim chỉ nam tối thượng khi hậu quả của việc bỏ sót rủi ro (False Negative) mang tính chất thảm họa. Trong y tế, bỏ sót một bệnh nhân ung thư sẽ đe dọa tính mạng người bệnh. Trong tín dụng, phê duyệt nhầm một hồ sơ vỡ nợ sẽ khiến ngân hàng tổn thất trực tiếp dòng vốn gốc khổng lồ.

• F1-Score: Là trung bình điều hòa (harmonic mean) của Precision và Recall, tính bằng công thức 

F1-Score = 2*(Precision Recall) / (Precision + Recall)

• • Ý nghĩa thực chiến: Vì Precision và Recall thường tỷ lệ nghịch với nhau (khi cố gắng tăng cái này thì cái kia sẽ giảm), F1-Score giúp cung cấp một thước đo tổng hợp khách quan nhất,. Do sử dụng trung bình điều hòa, F1-Score chỉ đạt mức cao khi cả Precision và Recall đều tốt, khiến nó trở thành chỉ số hoàn hảo nhất để đánh giá mô hình trên dữ liệu mất cân bằng.

3. Phân tích chi tiết Đường cong ROC và Chỉ số AUC-ROC

Bên cạnh F1-Score, ROC-AUC là thước đo quyền lực nhất để đánh giá năng lực của một mô hình phân lớp, đặc biệt trong các lĩnh vực quản trị rủi ro tài chính hay chấm điểm tín dụng,.

a) Cấu trúc của Đường cong ROC (Receiver Operating Characteristic Curve): Đường cong ROC là một đồ thị hai chiều biểu diễn hiệu suất của mô hình phân lớp trên tất cả các ngưỡng quyết định (thresholds) xác suất khác nhau (từ 0 đến 1),,. Đồ thị này được xây dựng bởi hai trục:

• Trục tung (Y-axis): Tỷ lệ dương tính thật (True Positive Rate - TPR), bản chất chính là chỉ số Recall.

• Trục hoành (X-axis): Tỷ lệ dương tính giả (False Positive Rate - FPR), tức là tỷ lệ các mẫu an toàn bị cảnh báo nhầm.

Đường cong ROC càng có xu hướng vút thẳng lên góc trên cùng bên trái của đồ thị, chứng tỏ mô hình càng có khả năng bắt trúng rủi ro (TPR cao) trong khi vẫn giữ tỷ lệ báo động giả (FPR) ở mức cực kỳ thấp. Đường đứt nét chéo ở giữa đồ thị đại diện cho một mô hình dự đoán hoàn toàn ngẫu nhiên (nhắm mắt đoán bừa).

b) Chỉ số AUC (Area Under the Curve): Để lượng hóa đường cong ROC thành một con số duy nhất, người ta đo lường toàn bộ diện tích nằm dưới đường cong ROC, gọi là chỉ số AUC.

• AUC nhận giá trị từ 0 đến 1.

• AUC = 0.5 tương đương với việc mô hình đoán ngẫu nhiên (không có năng lực phân loại),.

• AUC = 1.0 đại diện cho một cỗ máy phân loại hoàn hảo, tách biệt tuyệt đối 100% giữa nhóm rủi ro và nhóm an toàn,. Trong thực tiễn ngành tài chính, một mô hình thường yêu cầu mức AUC ≥ 0.75 để được đưa vào vận hành.

c) Ý nghĩa thực chiến vô giá của ROC-AUC: Điểm yếu của F1-Score, Precision hay Accuracy là chúng chỉ đánh giá được hiệu suất của mô hình tại một ngưỡng quyết định cố định (thường mặc định là 0.5). Tuy nhiên, AUC-ROC đánh giá chất lượng xếp hạng xác suất tổng thể của mô hình một cách độc lập với bất kỳ ngưỡng nào.

Dưới lăng kính quản trị doanh nghiệp, điều này mang ý nghĩa chiến lược to lớn. Tùy thuộc vào khẩu vị rủi ro (risk appetite), điều kiện kinh tế và chiến lược tăng trưởng tại từng thời điểm, ngân hàng không nhất thiết phải dùng ngưỡng 0.5. Nếu muốn siết chặt quản trị rủi ro (hạn chế nợ xấu), ban lãnh đạo có thể hạ ngưỡng quyết định (ví dụ xuống 0.3) để bắt được nhiều khách hàng rủi ro hơn (tăng Recall); ngược lại, trong thời kỳ nới lỏng tín dụng để tăng doanh thu, ngân hàng có thể nâng ngưỡng lên để tránh từ chối nhầm các khách hàng tốt,. Đường cong ROC cung cấp cho các nhà quản trị một bức tranh toàn cảnh để tự do lựa chọn điểm cân bằng "đánh đổi" (trade-off) hoàn hảo nhất giữa rủi ro và cơ hội cấp tín dụng.

6.1.4. 💻 Ví dụ Code thực chiến: Dự đoán nguy cơ mắc bệnh tiểu đường

Để minh họa sức mạnh của Hồi quy Logistic và tầm quan trọng của các chỉ số đánh giá, chúng ta sẽ sử dụng bộ dữ liệu y khoa kinh điển Pima Indians Diabetes Dataset. Mục tiêu là dự đoán khả năng một bệnh nhân mắc bệnh tiểu đường (Nhãn Outcome = 1) hay không (Nhãn Outcome = 0) dựa trên 8 chỉ số sức khỏe.

1. Kỷ luật Tiền xử lý dữ liệu đặc thù: Xử lý giá trị 0 bất hợp lệ Một cạm bẫy cực kỳ nguy hiểm trong bộ dữ liệu này là sự xuất hiện của giá trị 0 tại các biến sinh lý học như Huyết áp (BloodPressure), Nồng độ đường huyết (Glucose), Chỉ số khối cơ thể (BMI), Độ dày nếp gấp da (SkinThickness) và Insulin. Về mặt y tế, con người không thể có huyết áp hay BMI bằng 0. Đây thực chất là các dữ liệu khuyết thiếu (missing values) bị mã hóa sai thành số 0.

Nếu đưa trực tiếp dữ liệu thô này vào mô hình, thuật toán sẽ hiểu nhầm đây là các giá trị cực kỳ thấp và làm sai lệch đường ranh giới phân loại. Chiến lược tối ưu được áp dụng ở đây là:

• Thay thế toàn bộ số 0 tại 5 cột trên thành NaN.

• Điền dữ liệu khuyết (Imputation) bằng giá trị trung vị (median) của từng cột. Đặc biệt, việc điền này phải được tính riêng theo từng nhóm bệnh nhân (Có bệnh / Không bệnh) để bảo toàn tính chất thống kê và tránh hiện tượng rò rỉ dữ liệu (Information Leakage).

• Chia tập dữ liệu theo tỷ lệ 80/20 với thuộc tính stratify=y để bảo toàn tỷ lệ mất cân bằng giữa người mắc bệnh và người khỏe mạnh.

• Áp dụng StandardScaler vì Hồi quy Logistic là thuật toán tối ưu hóa dựa trên Gradient Descent, rất nhạy cảm với thang đo của dữ liệu.

2. Triển khai Mã nguồn Python Đoạn mã dưới đây thực hiện hoàn chỉnh quy trình từ làm sạch dữ liệu, chuẩn hóa, đến việc huấn luyện và xuất báo cáo phân lớp:

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import classification_report, confusion_matrix

# =====================================================================

# BƯỚC 1: ĐỌC DỮ LIỆU (Giả định file tên là pima_diabetes.csv)

# =====================================================================

url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv"

columns = ['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome']

df = pd.read_csv(url, names=columns)

# =====================================================================

# BƯỚC 2: TIỀN XỬ LÝ DỮ LIỆU ĐẶC THÙ (XỬ LÝ GIÁ TRỊ 0)

# =====================================================================

invalid_cols = ['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI']

# Đưa giá trị 0 về dạng khuyết thiếu NaN

df[invalid_cols] = df[invalid_cols].replace(0, np.nan)

# Điền trung vị (median) theo từng nhóm Outcome để tránh rò rỉ dữ liệu

for col in invalid_cols:

    df[col] = df[col].fillna(df.groupby('Outcome')[col].transform('median'))

# Tách biến độc lập (X) và biến mục tiêu (y)

X = df.drop('Outcome', axis=1)

y = df['Outcome']

# =====================================================================

# BƯỚC 3: CHIA TẬP VÀ CHUẨN HÓA DỮ LIỆU (SCALING)

# =====================================================================

# Chia tập Train/Test (80/20), dùng stratify=y để giữ nguyên tỷ lệ lớp

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

# Chuẩn hóa dữ liệu bằng StandardScaler

scaler = StandardScaler()

X_train_scaled = scaler.fit_transform(X_train)

X_test_scaled = scaler.transform(X_test) # Chỉ transform trên tập test

# =====================================================================

# BƯỚC 4: HUẤN LUYỆN MÔ HÌNH VÀ DỰ BÁO

# =====================================================================

# Khởi tạo và huấn luyện Logistic Regression

log_reg = LogisticRegression(max_iter=1000, random_state=42)

log_reg.fit(X_train_scaled, y_train)

# Dự báo nhãn cho tập Test

y_pred = log_reg.predict(X_test_scaled)

# =====================================================================

# BƯỚC 5: ĐÁNH GIÁ MÔ HÌNH BẰNG MA TRẬN NHẦM LẪN VÀ CLASSIFICATION REPORT

# =====================================================================

print("--- MA TRẬN NHẦM LẪN (CONFUSION MATRIX) ---")

cm = confusion_matrix(y_test, y_pred)

print(cm)

# Trực quan hóa Confusion Matrix dưới dạng heatmap

plt.figure(figsize=(8, 6))

sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',

            xticklabels=['Không bệnh (0)', 'Có bệnh (1)'],

            yticklabels=['Không bệnh (0)', 'Có bệnh (1)'])

plt.xlabel('Dự đoán (Predicted)')

plt.ylabel('Thực tế (Actual)')

plt.title('Ma trận nhầm lẫn')

plt.show()

tn, fp, fn, tp = cm.ravel()

print(f"True Negative (TN) : {tn} ca (Đoán đúng Không bệnh)")

print(f"False Positive (FP): {fp} ca (Báo động giả Có bệnh - Lỗi loại I)")

print(f"False Negative (FN): {fn} ca (Bỏ sót người Có bệnh - Lỗi loại II)")

print(f"True Positive (TP) : {tp} ca (Đoán đúng Có bệnh)")

print("\n--- BÁO CÁO PHÂN LỚP (CLASSIFICATION REPORT) ---")

print(classification_report(y_test, y_pred, target_names=['Không bệnh (0)', 'Có bệnh (1)']))

3. Đọc hiểu kết quả đầu ra (Dựa trên số liệu thực nghiệm) Khi chạy thực nghiệm thuật toán trên, kết quả thu được phản ánh rõ nét ranh giới hiệu năng của Hồi quy Logistic:

• Về Accuracy (Độ chính xác tổng thể): Mô hình đạt mức accuracy xấp xỉ 78%. Mặc dù tỷ lệ này có vẻ khả quan, nhưng trong y khoa, việc chỉ nhìn vào Accuracy là không đủ an toàn.

• Giải mã Ma trận nhầm lẫn: Trong khoảng 154 ca kiểm thử, mô hình đoán đúng 83 ca không bệnh (TN) và 59 ca có bệnh (TP). Tuy nhiên, hệ thống đã bỏ sót 25 bệnh nhân (False Negative - Lỗi Loại II).

• Về Recall (Độ nhạy): Recall của nhóm Có bệnh (Lớp 1) đạt khoảng 69%, nghĩa là mô hình chỉ "tóm gọn" được 69% tổng số người thực sự mắc tiểu đường, bỏ lọt 31% số người còn lại. Ở bước đầu của hệ thống sàng lọc y tế, con số này có thể chấp nhận được, nhưng nếu doanh nghiệp hoặc bệnh viện muốn phòng ngừa triệt để rủi ro, ban lãnh đạo sẽ cần can thiệp hạ ngưỡng quyết định (threshold) hoặc chuyển sang một thuật toán mạnh mẽ hơn để tối đa hóa chỉ số Recall này.

6.1.5. 💡 Insights và Ý nghĩa quản trị/y tế

1. Bài toán đánh đổi (Trade-off): Phân tích chi phí của việc bỏ sót bệnh nhân (FN) so với việc chẩn đoán nhầm (FP) Trong thực tiễn y tế và quản trị rủi ro, mọi quyết định phân loại từ mô hình học máy đều đi kèm với một hàm chi phí kinh tế và xã hội nhất định. Quan trọng hơn, chi phí của các loại sai lầm dự báo thường mang tính bất đối xứng sâu sắc. Việc phân tích Ma trận nhầm lẫn giúp ban lãnh đạo và các bác sĩ nhận diện rõ hai rủi ro cốt lõi:

• Chẩn đoán nhầm (False Positive - FP / Lỗi loại I): Xảy ra khi hệ thống "báo động giả", chẩn đoán một người hoàn toàn khỏe mạnh là mắc bệnh tiểu đường,. Hệ quả của sai lầm này là người khám sẽ mang tâm lý lo lắng, đồng thời tốn thêm chi phí và thời gian để thực hiện các xét nghiệm y tế chuyên sâu hơn nhằm xác minh lại,. Tuy nhiên, lỗi này không đe dọa trực tiếp đến tính mạng người bệnh.

• Bỏ sót bệnh nhân (False Negative - FN / Lỗi loại II): Xảy ra khi mô hình kết luận bệnh nhân "khỏe mạnh" nhưng thực tế họ đang mang mầm bệnh,. Trong y khoa, đây là một sai lầm mang tính thảm họa. Việc bỏ lọt bệnh nhân sẽ tước đi "thời gian vàng" để can thiệp và điều trị sớm, khiến bệnh tình âm thầm tiến triển nặng hơn, gây nguy hiểm đến tính mạng người bệnh và kéo theo chi phí điều trị khổng lồ về sau,.

Vì hậu quả y tế của việc bỏ sót bệnh nhân (Lỗi loại II) là nghiêm trọng và tốn kém hơn gấp nhiều lần so với việc báo động nhầm (Lỗi loại I), hệ thống sàng lọc y tế bắt buộc phải ưu tiên tối đa hóa chỉ số Recall (Độ nhạy) để "tóm gọn" mọi ca bệnh tiềm ẩn, thay vì chỉ theo đuổi Độ chính xác tổng thể (Accuracy).

2. Tinh chỉnh ngưỡng xác suất (Threshold Tuning) Như chúng ta đã biết, Hồi quy Logistic trả về kết quả là một dải xác suất liên tục từ 0 đến 1, và thông thường thuật toán sẽ sử dụng một ngưỡng quyết định (Decision Threshold) mặc định là 0.5 để phân loại,. Tuy nhiên, ngưỡng 0.5 "cứng nhắc" này thường không phải là con số tối ưu trong các bài toán có sự chênh lệch lớn về chi phí sai lầm như y tế hay tài chính.

Để bảo vệ tối đa tính mạng bệnh nhân và giải quyết bài toán đánh đổi nêu trên, chiến lược quản trị dữ liệu thông minh nhất là chủ động hạ ngưỡng quyết định xuống thấp hơn (ví dụ: từ 0.5 xuống 0.35 hoặc 0.3),. Khi hạ ngưỡng, mô hình sẽ được thiết lập ở trạng thái "nhạy bén" hơn: chỉ cần bệnh nhân có 35% xác suất mắc bệnh là hệ thống đã lập tức phát tín hiệu cảnh báo để đưa vào diện theo dõi đặc biệt.

• Lợi ích: Hệ thống sẽ bắt được nhiều ca dương tính hơn, đồng nghĩa với việc chỉ số Recall được đẩy lên mức tối đa, nén rủi ro bỏ sót bệnh nhân (FN) xuống mức thấp nhất,.

• Sự đánh đổi: Việc nới lỏng bộ lọc cảnh báo chắc chắn sẽ kéo theo việc hệ thống phát ra nhiều báo động giả (FP) hơn đối với những người khỏe mạnh, dẫn đến việc chấp nhận hi sinh một phần chỉ số Precision (Độ chuẩn xác),,.

Dưới góc độ đạo đức y khoa và quản trị rủi ro, sự đánh đổi "thà bắt nhầm còn hơn bỏ sót" này là một quyết định chiến lược hoàn toàn hợp lý. Sự sụt giảm của chỉ số Precision có thể xem như một mức "phí bảo hiểm" xứng đáng mà các bệnh viện sẵn sàng chi trả (dưới dạng chi phí xét nghiệm lại) để đổi lấy sự an toàn tuyệt đối, đảm bảo không một bệnh nhân tiểu đường hay ung thư nào bị hệ thống bỏ lọt,.