Ngày 20 tháng 8 năm 2025
Tìm hiểu về Độ chính xác, Độ chính xác và Độ thu hồi trong Học máy. Khám phá Ma trận Nhầm lẫn, Điểm F1 và cách sử dụng các chỉ số đánh giá quan trọng này.
Học máy (ML) là một nhánh của trí tuệ nhân tạo (AI), tập trung vào việc tạo ra các hệ thống học hỏi từ dữ liệu. Nó đóng vai trò trung tâm trong nhiều lĩnh vực khác của AI, bao gồm thị giác máy tính (computer vision ), nơi máy móc diễn giải hình ảnh, và xử lý ngôn ngữ tự nhiên (natural language processing), nơi chúng hiểu và tạo ra ngôn ngữ của con người.
Thông thường, các mô hình AI như vậy sử dụng các kỹ thuật học sâu để đưa ra dự đoán từ dữ liệu. Mặc dù các hệ thống này có thể rất hiệu quả, nhưng không phải lúc nào chúng cũng đưa ra dự đoán chính xác. Một số kết quả có thể chính xác, trong khi một số khác lại không đạt được mục tiêu.
Việc biết cách các lỗi này xảy ra là một phần quan trọng trong việc đánh giá hiệu suất của một mô hình. Để đo lường hiệu suất, chúng ta có thể sử dụng các số liệu đánh giá mô hình .
Các thước đo đánh giá phổ biến bao gồm độ chính xác (mức độ chính xác tổng thể), độ chính xác (độ tin cậy của các dự đoán tích cực) và độ thu hồi (mức độ mô hình xác định các kết quả tích cực thực tế tốt như thế nào). Thoạt nhìn, chúng có vẻ giống nhau, nhưng mỗi thước đo tập trung vào một phần khác nhau trong hành vi của mô hình.
Trong bài viết này, chúng ta sẽ xem xét kỹ hơn từng chỉ số hiệu suất mô hình AI này. Chúng ta cũng sẽ tìm hiểu mối liên hệ giữa chúng và cách chọn chỉ số phù hợp với trường hợp sử dụng của bạn. Hãy bắt đầu thôi!
Một mô hình học máy thoạt đầu có vẻ hoạt động tốt. Nhưng nếu không có các số liệu đánh giá phù hợp, sẽ rất khó để hiểu được độ chính xác của kết quả. Các số liệu này cung cấp cấu trúc cho việc đánh giá mô hình và giúp trả lời một câu hỏi quan trọng: Liệu các dự đoán của mô hình có hữu ích và đáng tin cậy cho một nhiệm vụ nhất định hay không?
Các chỉ số như độ chính xác, độ chính xác và độ thu hồi cung cấp cho các nhà phát triển AI một cách rõ ràng để đo lường mức độ hoạt động của một mô hình. Ví dụ: khi so sánh các mô hình khác nhau, các chỉ số này giúp xác định mô hình nào hoạt động tốt nhất cho một tác vụ cụ thể. Chúng giúp đánh giá hiệu suất và định hướng lựa chọn mô hình phù hợp nhất với mục tiêu của một dự án AI.
Các số liệu này cũng giúp việc so sánh hiệu suất trở nên khách quan hơn. Thay vì dựa vào phỏng đoán hoặc quan sát không đầy đủ, chúng cung cấp những hiểu biết có thể đo lường được về cách một mô hình hoạt động trong các tình huống khác nhau. Bằng cách đó, chúng làm nổi bật những khía cạnh hiệu suất nào quan trọng nhất trong từng bối cảnh.
Ví dụ, việc lựa chọn số liệu thường phụ thuộc vào ứng dụng. Trong các ứng dụng AI chăm sóc sức khỏe , việc thu hồi dữ liệu rất quan trọng vì mục tiêu là xác định càng nhiều trường hợp dương tính càng tốt, ngay cả khi một số trường hợp âm tính bị đánh dấu nhầm. Ngược lại, bộ lọc thư rác email có thể ưu tiên độ chính xác để tránh đánh dấu nhầm email hợp lệ là thư rác.
Ma trận nhầm lẫn là một bảng hai x hai, đóng vai trò cơ bản trong việc đánh giá các mô hình AI. Nó sắp xếp các dự đoán thành bốn loại bằng cách so sánh kết quả thực tế với kết quả dự đoán (câu trả lời mà mô hình đưa ra).
So sánh này cung cấp cái nhìn chi tiết về hiệu suất của mô hình. Nó tạo thành cơ sở cho các chỉ số đánh giá chính như độ chính xác và độ thu hồi, được tính toán trực tiếp từ các giá trị trong ma trận.
Các hàng của bảng biểu diễn các lớp thực tế, và các cột biểu diễn các lớp dự đoán. Mỗi ô hiển thị số lượng kết quả trong danh mục đó. Nói một cách đơn giản, nó thể hiện số lượng dự đoán đúng và các loại lỗi mà mô hình đã mắc phải.
Ma trận nhầm lẫn đặc biệt hữu ích khi dữ liệu mất cân bằng, nghĩa là một số danh mục có nhiều ví dụ hơn những danh mục khác. Nó cũng hữu ích khi các loại sai lầm khác nhau gây ra những tổn thất khác nhau.
Ví dụ, trong phát hiện gian lận, việc phát hiện hành vi gian lận là rất quan trọng, nhưng việc đánh dấu sai các giao dịch thực tế cũng có thể gây ra vấn đề. Ma trận này làm rõ tần suất xảy ra của từng loại lỗi.
Sau đây là tổng quan về các thành phần khác nhau trong ma trận nhầm lẫn:
Ma trận nhầm lẫn được hiển thị theo dạng lưới. Trục dọc hiển thị các lớp thực tế, và trục ngang hiển thị các lớp dự đoán. Các dự đoán đúng xuất hiện dọc theo đường chéo, biểu thị các kết quả dương tính thật và âm tính thật.
Các lỗi nằm ngoài đường chéo, bao gồm cả kết quả dương tính giả và kết quả âm tính giả. Cấu trúc này giúp dễ dàng phát hiện điểm mạnh và điểm yếu.
Độ chính xác là một trong những thước đo được sử dụng rộng rãi nhất để đánh giá hiệu suất của một mô hình học máy. Nó đo lường tần suất dự đoán chính xác trên tất cả các lớp. Nói cách khác, nó trả lời một câu hỏi đơn giản: Trong số tất cả các dự đoán mà mô hình AI đưa ra, có bao nhiêu dự đoán đúng?
Công thức tính độ chính xác là số dự đoán đúng (bao gồm cả kết quả dương tính thật và kết quả âm tính thật) chia cho tổng số dự đoán. Độ chính xác rất dễ tính toán và dễ hiểu, khiến nó trở thành điểm khởi đầu phổ biến trong quá trình đánh giá mô hình.
Nhìn chung, độ chính xác đáng tin cậy khi xử lý các tập dữ liệu cân bằng. Tuy nhiên, độ chính xác thường có thể gây hiểu lầm trong các tập dữ liệu mất cân bằng, trong đó một lớp chiếm ưu thế hơn các lớp khác. Một mô hình luôn dự đoán lớp đa số vẫn có thể đạt điểm chính xác cao nhưng lại không phát hiện được các lớp thiểu số khác.
Ví dụ, trong một tập dữ liệu hình ảnh mà chỉ có một vài hình ảnh có người đi bộ, một mô hình dự đoán "không có người đi bộ" cho mọi hình ảnh vẫn có thể đạt được độ chính xác cao nhưng hoàn toàn không thể phát hiện ra người đi bộ thực sự.
Điều này là do bản thân độ chính xác không cho thấy loại lỗi nào mà mô hình mắc phải hoặc tần suất xảy ra lỗi. Đó là lý do tại sao việc xem xét các số liệu như độ chính xác và độ thu hồi là rất quan trọng để hiểu đầy đủ về hiệu quả hoạt động của một mô hình AI.
Độ chính xác là một chỉ số đánh giá quan trọng, đo lường độ chính xác của các dự đoán tích cực của mô hình. Nó trả lời câu hỏi: Trong số tất cả các trường hợp được dự đoán là dương tính, có bao nhiêu trường hợp là đúng?
Công thức độ chính xác là số lượng kết quả dương tính thật chia cho tổng số kết quả dương tính thật và dương tính giả. Điều này đặc biệt quan trọng khi một dự đoán dương tính sẽ gây tốn kém nếu nó sai.
Ví dụ, trong phát hiện gian lận, một mô hình có độ chính xác thấp có thể đánh dấu nhiều giao dịch hợp lệ là gian lận, gây ra những vấn đề không đáng có cho cả người dùng và nhóm hỗ trợ. Một mô hình có độ chính xác cao sẽ giảm thiểu rủi ro này bằng cách đảm bảo rằng các giao dịch bị đánh dấu có nhiều khả năng là gian lận thực sự.
Mặc dù độ chính xác cao là tốt, nhưng các mô hình tập trung quá nhiều vào độ chính xác có thể trở nên rất kén chọn, bỏ sót các trường hợp dương tính thực tế. Đó là lý do tại sao chỉ số độ chính xác thường được kiểm tra cùng với chỉ số thu hồi để duy trì hiệu suất cân bằng.
Độ thu hồi (Recall) là một chỉ số được sử dụng để đo lường mức độ chính xác của mô hình trong việc xác định các trường hợp dương tính thực tế. Chỉ số này được gọi là độ nhạy hoặc tỷ lệ dương tính thực, và nó trả lời câu hỏi: Trong số tất cả các trường hợp dương tính thực tế, mô hình đã phát hiện chính xác bao nhiêu trường hợp?
Công thức tính độ thu hồi là số ca dương tính thật chia cho tổng số ca dương tính thật và âm tính giả. Điểm thu hồi cao cho thấy mô hình nắm bắt được hầu hết các ca dương tính thật trong dữ liệu.
Việc thu hồi là rất quan trọng trong các ngành như chăm sóc sức khỏe, nơi việc không phát hiện ra bệnh có thể làm chậm trễ việc điều trị và gây nguy hiểm cho bệnh nhân. Ngay cả khi một số trường hợp âm tính bị đánh dấu sai, việc xác định tất cả các trường hợp thực sự vẫn là ưu tiên hàng đầu.
Tuy nhiên, các mô hình chỉ tập trung vào khả năng thu hồi có thể phát hiện quá nhiều kết quả dương tính giả, làm giảm độ chính xác và ảnh hưởng đến hiệu quả tổng thể của mô hình. Việc cân bằng giữa khả năng thu hồi và độ chính xác là rất quan trọng để mô hình AI hoạt động đáng tin cậy.
Độ chính xác và khả năng thu hồi thường di chuyển ngược chiều nhau. Khi một bên cải thiện, bên kia có thể giảm. Sự đánh đổi này là một thách thức phổ biến trong các tác vụ học máy.
Một mô hình có độ chính xác cao chỉ dự đoán một điều gì đó là dương tính khi nó đủ tin cậy. Điều này làm giảm báo động giả nhưng có thể bỏ sót các báo động thực sự, làm giảm độ chính xác. Một mô hình cố gắng bắt được mọi tín hiệu dương tính sẽ làm tăng độ chính xác nhưng lại có nguy cơ báo động giả nhiều hơn, làm giảm độ chính xác.
Sự đánh đổi này trở nên rõ ràng hơn khi bạn điều chỉnh ngưỡng quyết định của mô hình. Ngưỡng là ngưỡng mà hệ thống sử dụng để chuyển đổi điểm số hoặc xác suất thành hành động hoặc nhãn. Việc hạ thấp ngưỡng khiến hệ thống hành động tích cực thường xuyên hơn, điều này có thể làm tăng độ hồi tưởng nhưng có thể làm giảm độ chính xác. Việc tăng ngưỡng có tác dụng ngược lại: mô hình dự đoán ít kết quả tích cực hơn, độ chính xác được cải thiện, nhưng độ hồi tưởng thường giảm.
Giả sử bạn đang phát triển hệ thống phát hiện thư rác. Mô hình phải cân bằng giữa rủi ro thư rác vào hộp thư đến với rủi ro chặn email thật. Bộ lọc nghiêm ngặt vẫn có thể bỏ sót một số thư rác, trong khi bộ lọc dễ dãi hơn có thể vô tình chặn các thư hợp lệ. Sự cân bằng phù hợp phụ thuộc vào trường hợp sử dụng và chi phí của từng loại lỗi.
Đường cong độ chính xác-thu hồi (PR) cho thấy độ chính xác và thu hồi thay đổi như thế nào khi ngưỡng quyết định của mô hình thay đổi. Mỗi điểm đại diện cho một sự đánh đổi khác nhau giữa hai yếu tố này. Đường cong PR đặc biệt hữu ích cho các tập dữ liệu mất cân bằng, trong đó một lớp có tần suất xuất hiện thấp hơn nhiều.
Đường cong này cũng cung cấp thông tin chi tiết có ý nghĩa hơn so với đường cong Đặc tính Vận hành của Bộ thu (ROC) , vốn cũng cho thấy mức độ phân tách các giá trị dương và âm của mô hình ở các ngưỡng quyết định khác nhau. Một mô hình có cả độ chính xác cao và độ thu hồi cao sẽ có đường cong độ chính xác-thu hồi nằm gần góc trên bên phải, thường là lý tưởng.
Điểm F1 cung cấp một giá trị duy nhất thể hiện sự cân bằng giữa độ chính xác và độ thu hồi. Điểm F1 được tính bằng hai lần tích của độ chính xác và độ thu hồi, chia cho tổng của độ chính xác và độ thu hồi. Điểm F1 hữu ích khi cả kết quả dương tính giả và âm tính giả đều quan trọng, và hữu ích khi làm việc với các tập dữ liệu mất cân bằng hoặc khi cần một cái nhìn cân bằng về hiệu suất mô hình.
Mặc dù độ chính xác, độ tin cậy và khả năng thu hồi là rất cần thiết, các số liệu khác cung cấp thêm thông tin chi tiết dựa trên loại mô hình và đặc điểm của tập dữ liệu.
Sau đây là một số số liệu thường dùng giúp đánh giá các khía cạnh khác nhau của hiệu suất:
Bây giờ chúng ta đã hiểu rõ hơn về độ chính xác, độ chính xác và khả năng thu hồi, hãy cùng tìm hiểu cách áp dụng các số liệu này trong thị giác máy tính.
Các mô hình thị giác máy tính như Ultralytics YOLO11 hỗ trợ các tác vụ như phát hiện đối tượng, trong đó mô hình xác định các đối tượng hiện diện trong ảnh và định vị chúng bằng các hộp giới hạn. Mỗi dự đoán bao gồm cả nhãn đối tượng và vị trí của nó, khiến việc đánh giá phức tạp hơn so với việc chỉ kiểm tra xem nhãn có chính xác hay không.
Hãy xem xét một ứng dụng bán lẻ , trong đó camera được sử dụng để tự động theo dõi sản phẩm trên kệ. Một mô hình phát hiện vật thể có thể xác định các mặt hàng như hộp ngũ cốc, lon nước ngọt hoặc chai nước và đánh dấu vị trí của chúng.
Trong trường hợp này, độ chính xác cho biết có bao nhiêu mặt hàng được phát hiện thực sự chính xác. Độ chính xác cao đồng nghĩa với việc hệ thống tránh được các lỗi dương tính giả, chẳng hạn như gắn nhãn bóng hoặc vật thể nền là sản phẩm. Độ thu hồi cho biết mô hình đã phát hiện được bao nhiêu sản phẩm thực tế trên kệ. Độ thu hồi cao đồng nghĩa với việc ít mặt hàng bị bỏ sót hơn, điều này rất quan trọng để kiểm kê hàng tồn kho chính xác.
Độ chính xác vẫn có thể cung cấp thước đo chung về độ chính xác, nhưng trong bối cảnh này, việc thiếu dù chỉ một vài sản phẩm hoặc phát hiện các mặt hàng không có cũng có thể ảnh hưởng lớn đến việc quản lý kho. Đó là lý do tại sao các nhà phát triển xem xét độ chính xác, độ thu hồi và độ chính xác cùng nhau để đảm bảo hệ thống vừa đáng tin cậy vừa thiết thực cho việc sử dụng trong thực tế.
Độ chính xác, độ chính xác và độ thu hồi mỗi chỉ số thể hiện các khía cạnh khác nhau về hiệu suất của một mô hình học máy. Việc chỉ dựa vào một số liệu có thể gây hiểu lầm.
Các công cụ và số liệu như ma trận nhầm lẫn, đường cong độ chính xác - hồi tưởng và điểm F1 giúp làm rõ những đánh đổi và định hướng quyết định cải tiến mô hình ML. Bằng cách lựa chọn kết hợp số liệu phù hợp cho một giải pháp AI cụ thể, bạn có thể đảm bảo các mô hình chính xác, đáng tin cậy và hiệu quả trong các ứng dụng thực tế.
Khám phá cộng đồng đang phát triển của chúng tôi! Truy cập kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về AI. Bạn đã sẵn sàng bắt đầu các dự án thị giác máy tính chưa? Hãy xem qua các tùy chọn cấp phép của chúng tôi. Khám phá AI trong nông nghiệp và Vision AI trong robot bằng cách truy cập trang giải pháp của chúng tôi!
