# AI Macro F1 Score điểm F1 vĩ mô

Tiếng Anh: AI Macro F1 Score

Trung bình F1 trên tất cả các lớp với trọng số bằng nhau, phù hợp đánh giá mô hình phân loại giao dịch có nhiều loại bất thường khác nhau tại ngân hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-macro-f1-score-diem-f1-vi-mo-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

AI Macro F1 Score điểm F1 vĩ mô là gì?

**AI Macro F1 Score** (Điểm F1 vĩ mô) là một chỉ số đánh giá hiệu suất quan trọng trong các mô hình **học máy** (Machine Learning) phân loại, được tính bằng trung bình cộng đơn giản của **điểm F1** (F1 Score) trên từng lớp dữ liệu riêng biệt với trọng số bằng nhau. Chỉ số này có giá trị nằm trong khoảng từ 0 đến 1, trong đó giá trị 1 đại diện cho mô hình dự đoán hoàn hảo trên mọi lớp. Điểm F1 vĩ mô khác biệt cơ bản so với **điểm F1 vi mô** (Micro F1 Score) ở chỗ nó không bị chi phối bởi sự mất cân bằng dữ liệu giữa các lớp, do đó phản ánh công bằng chất lượng dự đoán trên tất cả các nhóm dữ liệu, bất kể nhóm nào có nhiều hay ít mẫu.

Để tính **AI Macro F1 Score**, trước tiên người ta cần tính **điểm F1** cho từng lớp dựa trên hai thành phần là **độ chính xác** (Precision) và **độ thu hồi** (Recall). Điểm F1 của một lớp là trung bình điều hòa của Precision và Recall, có công thức F1 = 2 × (Precision × Recall) / (Precision + Recall). Sau khi có điểm F1 của N lớp, điểm F1 vĩ mô được tính bằng cách lấy tổng điểm F1 của N lớp chia cho N. Cách tính này đảm bảo rằng một mô hình hoạt động xuất sắc trên lớp đa số nhưng kém trên lớp thiểu số sẽ không đạt điểm cao một cách giả tạo — đây chính là ưu điểm vượt trội của Macro F1 so với Micro F1 trong các bài toán mà mỗi loại lỗi phân loại đều có chi phí tương đương nhau.

Trong bối cảnh ngân hàng Việt Nam hiện đại, **AI Macro F1 Score** đã trở thành công cụ đo lường không thể thiếu khi triển khai các hệ thống **trí tuệ nhân tạo** (Artificial Intelligence) phục vụ cho hoạt động phân loại rủi ro, phát hiện gian lận, chấm điểm tín dụng và phân khúc khách hàng. Khi một tổ chức tín dụng xây dựng mô hình phân loại giao dịch thành nhiều nhóm bất thường khác nhau, việc sử dụng điểm F1 vĩ mô giúp ban lãnh đạo đánh giá chính xác hiệu quả của mô hình trên từng loại gian lận cụ thể, từ đó có cơ sở để điều chỉnh ngưỡng cảnh báo, tối ưu hóa chiến lược giám sát và phân bổ nguồn lực phòng chống gian lận một cách hợp lý.

**Thuật ngữ tiếng Anh:** AI Macro F1 Score
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Đặc điểm chính của AI Macro F1 Score

| Đặc điểm | Mô tả chi tiết |
|---|---|
| **Phạm vi giá trị** | Từ 0 đến 1, với 1 là hoàn hảo và 0 là kém |
| **Cách tính trọng số** | Trọng số bằng nhau cho mọi lớp (không phụ thuộc số lượng mẫu) |
| **Khả năng phát hiện lớp thiểu số** | Rất cao — đánh giá công bằng cả lớp hiếm gặp |
| **Độ nhạy với mất cân bằng dữ liệu** | Thấp — không bị chi phối bởi lớp đa số |
| **Ứng dụng phù hợp** | Khi mỗi lớp có tầm quan trọng ngang nhau |
| **Hạn chế** | Có thể che lấp hiệu suất tổng thể khi lớp đa số chiếm ưu thế |

### Phân loại các chỉ số F1 phổ biến

Trong thực tế triển khai tại các ngân hàng, các chuyên gia AI thường sử dụng nhiều loại chỉ số F1 khác nhau tùy theo đặc thù bài toán:

- **Macro F1 Score (F1 vĩ mô)**: Trung bình cộng điểm F1 của tất cả các lớp với trọng số bằng nhau. Phù hợp khi cần đánh giá công bằng giữa các lớp, đặc biệt với các lớp thiểu số như giao dịch gian lận hiếm gặp.

- **Micro F1 Score (F1 vi mô)**: Tính bằng cách gộp tất cả các dự đoán đúng, dự đoán sai dương tính và âm tính trên toàn bộ dữ liệu rồi tính F1 một lần. Phù hợp khi muốn đánh giá hiệu suất tổng thể của mô hình trên toàn bộ tập dữ liệu.

- **Weighted F1 Score (F1 có trọng số)**: Trung bình cộng điểm F1 của các lớp nhưng có trọng số tỷ lệ thuận với số lượng mẫu của mỗi lớp. Phù hợp khi các lớp có tầm quan trọng khác nhau theo tần suất xuất hiện.

- **Per-Class F1 Score (F1 từng lớp)**: Điểm F1 riêng lẻ cho từng lớp cụ thể, giúp phân tích chi tiết điểm mạnh điểm yếu của mô hình trên từng nhóm.

### So sánh AI Macro F1 Score với các chỉ số khác

| Chỉ số | Công thức cốt lõi | Khi nào nên dùng trong ngân hàng |
|---|---|---|
| **Precision (Độ chính xác)** | TP / (TP + FP) | Khi chi phí cảnh báo sai (false positive) cao, ví dụ gọi điện xác minh khách hàng nhầm |
| **Recall (Độ thu hồi)** | TP / (TP + FN) | Khi chi phí bỏ sót gian lận (false negative) cao, ví dụ bỏ sót giao dịch rửa tiền |
| **F1 Score** | 2 × (P × R) / (P + R) | Khi cần cân bằng giữa Precision và Recall |
| **Macro F1** | Trung bình F1 các lớp | Khi mỗi loại gian lận đều quan trọng như nhau |
| **Micro F1** | F1 trên toàn bộ mẫu gộp | Khi muốn đánh giá hiệu suất tổng thể |
| **ROC-AUC** | Diện tích dưới đường cong ROC | Khi cần đánh giá khả năng phân biệt ở nhiều ngưỡng |

Trong đó **TP** (True Positive) là số mẫu dương tính được dự đoán đúng, **FP** (False Positive) là số mẫu âm tính bị dự đoán nhầm thành dương tính, và **FN** (False Negative) là số mẫu dương tính bị bỏ sót. Việc nắm vững các khái niệm này là yêu cầu bắt buộc đối với ứng viên tham gia các kỳ thi tuyển dụng vị trí chuyên viên phân tích dữ liệu, khoa học dữ liệu hay quản trị rủi ro tại các ngân hàng.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Mô hình phát hiện gian lận giao dịch tại Ngân hàng A

Ngân hàng A — một ngân hàng thương mại cổ phần lớn tại Việt Nam với hơn 12 triệu khách hàng hoạt động và khoảng 8 triệu giao dịch mỗi ngày — đã triển khai mô hình **học máy** (Machine Learning) phân loại giao dịch thành 4 nhóm: **Bình thường** (chiếm 97,5%), **Đáng ngờ** (1,8%), **Rủi ro cao** (0,5%) và **Gian lận** (0,2%). Khi đánh giá hiệu suất mô hình, đội ngũ AI đã tính điểm F1 cho từng lớp:

- Lớp Bình thường: Precision = 0,995, Recall = 0,998 → F1 = 0,9965
- Lớp Đáng ngờ: Precision = 0,82, Recall = 0,75 → F1 = 0,7838
- Lớp Rủi ro cao: Precision = 0,71, Recall = 0,68 → F1 = 0,6947
- Lớp Gian lận: Precision = 0,88, Recall = 0,84 → F1 = 0,8596

Khi tính **AI Macro F1 Score**, kết quả sẽ là (0,9965 + 0,7838 + 0,6947 + 0,8596) / 4 = **0,8337**. Nếu sử dụng Micro F1, do lớp Bình thường chiếm ưu thế áp đảo nên điểm Micro F1 có thể đạt tới 0,99 — một con số đẹp nhưng che giấu điểm yếu của mô hình ở các lớp thiểu số. Nhờ sử dụng Macro F1, ban lãnh đạo Ngân hàng A nhận ra mô hình cần cải thiện đáng kể ở lớp Rủi ro cao (F1 chỉ đạt 0,6947), từ đó đầu tư thêm dữ liệu huấn luyện cho lớp này và tinh chỉnh đặc trưng đầu vào.

### Ví dụ 2: Mô hình chấm điểm tín dụng tại Ngân hàng B

Ngân hàng B — một ngân hàng quốc doanh lớn — triển khai mô hình AI phân loại khách hàng cá nhân vay vốn thành 5 nhóm rủi ro tín dụng: **Rất tốt**, **Tốt**, **Trung bình**, **Yếu** và **Rất yếu**. Trong tập dữ liệu huấn luyện có 50.000 hồ sơ, phân bố các lớp lần lượt là 30%, 35%, 20%, 10% và 5%. Sau khi huấn luyện mô hình **gradient boosting**, kết quả F1 từng lớp như sau:

- Lớp Rất tốt: F1 = 0,91
- Lớp Tốt: F1 = 0,88
- Lớp Trung bình: F1 = 0,79
- Lớp Yếu: F1 = 0,72
- Lớp Rất yếu: F1 = 0,65

**AI Macro F1 Score** = (0,91 + 0,88 + 0,79 + 0,72 + 0,65) / 5 = **0,79**. Điểm số này cho thấy mô hình hoạt động kém hơn rõ rệt trên nhóm khách hàng có rủi ro tín dụng cao (lớp Rất yếu chỉ đạt 0,65). Điều này rất nguy hiểm vì sai sót ở lớp Rất yếu có thể dẫn đến phê duyệt cho vay đối với khách hàng không có khả năng trả nợ, gây tổn thất lớn cho ngân hàng. Phòng Quản trị Rủi ro của Ngân hàng B đã yêu cầu đội ngũ khoa học dữ liệu cải thiện mô hình để đạt Macro F1 tối thiểu 0,85 trước khi đưa vào vận hành chính thức.

### Ví dụ 3: Xác thực sinh trắc học theo Quyết định 2345

Theo Quyết định 2345/QĐ-NHNN năm 2023 của Ngân hàng Nhà nước Việt Nam, các ngân hàng phải áp dụng xác thực **sinh trắc học** (Biometrics) như nhận diện khuôn mặt và vân tay cho các giao dịch chuyển tiền trên 10 triệu đồng. Một công ty **fintech** hợp tác với Ngân hàng C đã xây dựng mô hình phân loại ảnh khuôn mặt thành 3 lớp: **Khuôn mặt thật**, **Khuôn mặt in** (từ ảnh chụp) và **Khuôn mặt giả 3D** (mặt nạ silicon). Trong 100.000 ảnh kiểm thử, tỷ lệ mỗi lớp lần lượt là 94%, 4% và 2%.

Kết quả F1 từng lớp sau khi triển khai mô hình **deep learning** là: Khuôn mặt thật F1 = 0,99, Khuôn mặt in F1 = 0,94, Khuôn mặt giả 3D F1 = 0,89. **AI Macro F1 Score** = (0,99 + 0,94 + 0,89) / 3 = **0,94**. Mặc dù điểm này đã khá cao nhưng đội ngũ kỹ thuật vẫn tiếp tục tối ưu vì lớp Khuôn mặt giả 3D có F1 thấp nhất — nếu hệ thống bỏ sót một vụ giả mạo bằng mặt nạ silicon, thiệt hại có thể lên tới hàng trăm triệu đồng cho mỗi khách hàng. Đây chính là lý do các chuyên gia AI trong ngân hàng ưu tiên đánh giá Macro F1 thay vì chỉ nhìn vào độ chính xác tổng thể.

## AI Macro F1 Score điểm F1 vĩ mô trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Macro F1 Score | /ˈmækroʊ ɛf wʌn skɔːr/ |
| Tiếng Nhật | マクロF1スコア | makuro F1 sukoa |
| Tiếng Hàn | 매크로 F1 점수 | maekero F1 jeomsu |
| Tiếng Trung | 宏F1分数 / 宏平均F1分数 | hóng F1 fēnshù / hóng píngjūn F1 fēnshù |
| Tiếng Tây Ban Nha | Puntuación Macro F1 | /puntuˈaθjon ˈmakɾo ˈɛfe ˈuno/ |

## Câu hỏi thường gặp

### AI Macro F1 Score khác gì điểm F1 vi mô (Micro F1 Score)?

**AI Macro F1 Score** tính trung bình cộng điểm F1 của từng lớp với trọng số bằng nhau, trong khi **Micro F1 Score** gộp tất cả các dự đoán trên toàn bộ tập dữ liệu rồi mới tính F1 một lần duy nhất. Do đó, Macro F1 phản ánh công bằng chất lượng dự đoán trên cả lớp thiểu số lẫn lớp đa số, còn Micro F1 sẽ bị chi phối bởi lớp đa số. Trong ngân hàng, khi phát hiện gian lận — vốn là lớp rất hiếm gặp (chỉ chiếm 0,1% đến 0,5% giao dịch) — Macro F1 là lựa chọn tốt hơn để đánh giá mô hình toàn diện.

### Khi nào cần biết về AI Macro F1 Score?

Ứng viên cần nắm vững **AI Macro F1 Score** khi ứng tuyển vào các vị trí như chuyên viên phân tích dữ liệu, khoa học dữ liệu (Data Scientist), chuyên viên quản trị rủi ro mô hình (Model Risk Management), hoặc khi tham gia các kỳ thi chứng chỉ quốc tế như **FRM** (Financial Risk Manager), **CFA** (Chartered Financial Analyst) và các chương trình đào tạo AI trong tài chính. Ngoài ra, kiến thức về Macro F1 còn cần thiết khi xây dựng mô hình chấm điểm tín dụng, phát hiện gian lận, phân loại khách hàng và tuân thủ các quy định của Ngân hàng Nhà nước về ứng dụng AI trong hoạt động ngân hàng.

### AI Macro F1 Score ảnh hưởng thế nào đến khách hàng?

Khi mô hình AI trong ngân hàng có **AI Macro F1 Score** cao và cân bằng giữa các lớp, hệ thống sẽ phát hiện chính xác hơn các giao dịch bất thường, từ đó bảo vệ khách hàng khỏi gian lận thẻ, lừa đảo trực tuyến và tấn công mạng. Ngược lại, nếu mô hình có Macro F1 thấp ở lớp gian lận, khách hàng có thể bị mất tiền oan mà không được cảnh báo kịp thời. Ngoài ra, mô hình chấm điểm tín dụng có Macro F1 cân bằng sẽ giúp phê duyệt khoản vay công bằng hơn, tránh từ chối nhầm khách hàng tốt hoặc chấp nhận cho vay đối với người có rủi ro cao, qua đó nâng cao trải nghiệm và sự tin tưởng của khách hàng đối với ngân hàng.

## Tổng kết

**AI Macro F1 Score** là chỉ số đánh giá mô hình **học máy** không thể thiếu trong bối cảnh ngân hàng Việt Nam đang đẩy mạnh chuyển đổi số và ứng dụng trí tuệ nhân tạo vào mọi mặt hoạt động. Với khả năng đánh giá công bằng chất lượng dự đoán trên tất cả các lớp dữ liệu, đặc biệt là các lớp thiểu số như giao dịch gian lận hay khách hàng rủi ro cao, chỉ số này giúp các ngân hàng xây dựng hệ thống AI minh bạch, hiệu quả và tuân thủ quy định của Ngân hàng Nhà nước. Đối với ứng viên ôn thi tuyển dụng ngân hàng, việc thành thạo khái niệm **AI Macro F1 Score** cùng các chỉ số liên quan như Precision, Recall, Micro F1, Macro F1, Weighted F1 và **ma trận nhầm lẫn** (Confusion Matrix) chính là nền tảng vững chắc để tự tin bước vào các vị trí công việc liên quan đến khoa học dữ liệu, quản trị rủi ro và phân tích tín dụng trong ngành ngân hàng hiện đại.

## Thuật ngữ liên quan

- [Công nghệ tài chính](https://vieclam.nganhang.com/thuat-ngu/cong-nghe-tai-chinh-la-gi) — Lĩnh vực ứng dụng công nghệ để cải tiến và tự động hóa dịch vụ tài chính, ngân hàng, thanh toán và đầu tư.
- [Lừa đảo trực tuyến](https://vieclam.nganhang.com/thuat-ngu/lua-dao-truc-tuyen-la-gi) — Các hành vi gian lận thông qua giao dịch điện tử, bao gồm chiếm đoạt tài khoản, giả mạo danh tính và giao dịch trái phép.
- [Mô hình phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-phat-hien-gian-lan-la-gi) — Thuật toán AI/ML được đào tạo để nhận diện hành vi lừa đảo trong các giao dịch ngân hàng.
- [Phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-la-gi) — Hệ thống sử dụng AI và phân tích dữ liệu để nhận diện các giao dịch bất thường hoặc có dấu hiệu gian lận.
- [Quyết định 2345/QĐ-NHNN](https://vieclam.nganhang.com/thuat-ngu/quyet-dinh-2345qd-nhnn-la-gi) — Quyết định của Ngân hàng Nhà nước Việt Nam ban hành năm 2023 quy định về bảo đảm an toàn thông tin trong hoạt động ngân hàng.
- [Rủi ro công nghệ thông tin](https://vieclam.nganhang.com/thuat-ngu/rui-ro-cong-nghe-thong-tin-la-gi) — Rủi ro từ hệ thống CNTT bị lỗi, gián đoạn, lạc hậu hoặc không đáp ứng yêu cầu bảo mật, gây tác động tiêu cực đến hoạt động ngân hàng.
- [Triển khai mô hình](https://vieclam.nganhang.com/thuat-ngu/trien-khai-mo-hinh-la-gi) — Đưa mô hình đã phê duyệt vào môi trường vận hành production thông qua API, container hoặc nhúng vào hệ thống core banking.
- [Xác thực sinh trắc học](https://vieclam.nganhang.com/thuat-ngu/xac-thuc-sinh-trac-hoc-la-gi) — Xác thực danh tính bằng vân tay, khuôn mặt hoặc giọng nói, theo Quyết định 2345/QĐ-NHNN bắt buộc cho chuyển tiền trên 10 triệu/lần.