# AI Regularization chuẩn hóa L1 L2

Tiếng Anh: Regularization L1 L2

Kỹ thuật L1/L2 giúp giảm overfitting khi xây dựng mô hình trên tập dữ liệu khách hàng nhỏ.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-regularization-chuan-hoa-l1-l2-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

**Regularization L1 L2** (chuẩn hóa L1 và chuẩn hóa L2) là hai kỹ thuật nền tảng trong lĩnh vực **machine learning** và **trí tuệ nhân tạo** (AI), đóng vai trò then chốt trong việc kiểm soát độ phức tạp của mô hình nhằm giảm thiểu hiện tượng **quá khớp** (overfitting). Về bản chất toán học, đây là phương pháp bổ sung thêm một thành phần phạt (penalty term) vào **hàm mất mát** (loss function) của mô hình, trong đó L1 sử dụng tổng giá trị tuyệt đối của các hệ số (weights) còn L2 sử dụng tổng bình phương của các hệ số. Nhờ cơ chế này, mô hình học máy có thể tổng quát hóa tốt hơn trên dữ liệu mới thay vì chỉ đơn thuần ghi nhớ các đặc điểm của tập huấn luyện ban đầu.

Trong ngữ cảnh ngân hàng, nơi dữ liệu khách hàng thường có chiều cao (high-dimensional) nhưng số lượng quan sát hữu hạn, **Regularization L1 L2** trở thành công cụ không thể thiếu để đảm bảo tính ổn định và khả năng giải thích của các mô hình AI. L1 regularization (còn được gọi là **Lasso** - Least Absolute Shrinkage and Selection Operator) có xu hướng đẩy các hệ số không quan trọng về đúng bằng không, từ đó thực hiện chức năng **chọn lọc đặc trưng** (feature selection) tự động - điều này đặc biệt hữu ích khi tập dữ liệu có hàng trăm biến đầu vào nhưng chỉ một số biến thực sự có ý nghĩa dự báo. Trong khi đó, L2 regularization (còn gọi là **Ridge**) làm co lại đồng đều tất cả các hệ số về phía gần số không nhưng không triệt tiêu hoàn toàn biến nào, giúp ổn định mô hình khi các biến đầu vào có tương quan cao với nhau (hiện tượng **đa cộng tuyến** - multicollinearity).

Cả hai kỹ thuật đều dựa trên nguyên lý cân bằng **độ chệch - phương sai** (bias-variance tradeoff), thông qua siêu tham số lambda (λ) để điều chỉnh mức độ phạt - lambda càng lớn thì mô hình càng được đơn giản hóa. Ngoài ra, các nhà phân tích dữ liệu có thể kết hợp cả L1 và L2 trong kỹ thuật **Elastic Net** để tận dụng đồng thời ưu điểm của cả hai phương pháp: vừa loại bỏ biến không cần thiết, vừa xử lý hiệu quả các nhóm biến tương quan chặt.

**Thuật ngữ tiếng Anh:** Regularization L1 L2 (Lasso and Ridge Regularization)

**Lĩnh vực:** AI & Machine Learning trong ngân hàng

---

## Đặc điểm và phân loại

### Công thức toán học cốt lõi

| Kỹ thuật | Công thức hàm mất mát | Đặc điểm chính | Tên gọi khác |
|---|---|---|---|
| **L1 Regularization** | Loss = MSE + λ × Σ\|wᵢ\| | Đẩy hệ số về 0, tạo mô hình thưa | Lasso |
| **L2 Regularization** | Loss = MSE + λ × Σwᵢ² | Co hệ số đồng đều, giữ tất cả biến | Ridge |
| **Elastic Net** | Loss = MSE + λ₁Σ\|wᵢ\| + λ₂Σwᵢ² | Kết hợp cả L1 và L2 | Elastic Net |
| **Dropout** (liên quan) | Loại bỏ ngẫu nhiên nơ-ron | Kỹ thuật chống overfitting cho mạng nơ-ron | - |
| **Early Stopping** (liên quan) | Dừng huấn luyện khi loss tăng | Phương pháp bổ trợ | - |

### So sánh chi tiết L1 và L2

| Tiêu chí | **L1 (Lasso)** | **L2 (Ridge)** |
|---|---|---|
| Dạng phạt | Tổng giá trị tuyệt đối Σ\|wᵢ\| | Tổng bình phương Σwᵢ² |
| Kết quả trên hệ số | Một số hệ số = 0 (sparse) | Tất cả hệ số giảm nhưng ≠ 0 |
| Khả năng chọn biến | Có (tự động loại bỏ biến) | Không (giữ tất cả biến) |
| Xử lý đa cộng tuyến | Kém | Tốt |
| Đạo hàm | Không liên tục tại w = 0 | Liên tục, dễ tối ưu |
| Tốc độ tính toán | Chậm hơn (cần coordinate descent) | Nhanh hơn (có nghiệm closed-form) |
| Khi nào nên dùng | Nhiều biến, nghi ngờ biến thừa | Biến tương quan cao, cần ổn định |
| Ví dụ ứng dụng | Credit scoring | Fraud detection |

### Các dạng biến thể nâng cao

- **Group Lasso**: Phạt theo nhóm biến, phù hợp khi biến có cấu trúc nhóm (ví dụ: các chỉ số tài chính của cùng một bộ phận).
- **Adaptive Lasso**: Điều chỉnh trọng số phạt khác nhau cho từng hệ số, cho phép linh hoạt hơn Lasso cổ điển.
- **Bayesian Ridge**: Tích hợp phân phối tiên nghiệm Bayesian, phù hợp với dữ liệu có nhiễu lớn trong giao dịch ngân hàng.
- **Tikhonov Regularization**: Dạng tổng quát của L2, thường dùng trong xử lý ảnh và mô hình rủi ro.

---

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Mô hình chấm điểm tín dụng cá nhân tại Ngân hàng A

Ngân hàng A xây dựng mô hình **chấm điểm tín dụng** (credit scoring) cho khoảng 50.000 khách hàng cá nhân với bộ dữ liệu gồm 180 biến đầu vào bao gồm: thu nhập hàng tháng, nghề nghiệp, lịch sử giao dịch 24 tháng, tỷ lệ sử dụng hạn mức thẻ tín dụng, độ tuổi, thời gian làm việc tại đơn vị hiện tại, số lần trễ hạn, số lượng người phụ thuộc... Khi áp dụng **L1 Regularization** với λ = 0.01, mô hình tự động loại bỏ 127 biến (hệ số = 0) và chỉ giữ lại 53 biến có ý nghĩa thống kê, giúp giảm AUC từ 0.78 (mô hình không chuẩn hóa bị overfitting) xuống còn 0.73 (mô hình có tính tổng quát cao hơn). Tuy AUC giảm nhẹ nhưng kết quả trên tập **out-of-sample test** (5.000 khách hàng) cho thấy mô hình L1 có tỷ lệ phân loại đúng nợ xấu cao hơn 8%, từ đó tiết kiệm chi phí dự phòng rủi ro ước tính khoảng 12 tỷ đồng/năm.

### Ví dụ 2: Hệ thống phát hiện giao dịch đáng ngờ tại Ngân hàng B

Ngân hàng B triển khai hệ thống giám sát giao dịch phòng chống rửa tiền (**AML** - Anti-Money Laundering) với 2,3 triệu giao dịch/ngày, trong đó tỷ lệ giao dịch gian lận chỉ chiếm 0,03%. Khi áp dụng **L2 Regularization** cho mô hình phân loại logistic regression, các kỹ sư dữ liệu nhận thấy mô hình ổn định hơn 23% so với phiên bản không chuẩn hóa, đặc biệt khi thị trường có biến động lớn (ví dụ: dịp Tết Nguyên Đán 2024, lượng giao dịch tăng 340%). L2 giúp mô hình không phản ứng thái quá với các giao dịch bất thường do hiệu ứng mùa vụ, giữ cho **false positive rate** ở mức 0,8% thay vì 1,5% như trước đó. Nhờ đó, đội ngũ compliance tiết kiệm khoảng 1.200 giờ làm việc/tháng cho việc rà soát thủ công.

### Ví dụ 3: Mô hình dự báo khách hàng rời bỏ dịch vụ (churn prediction)

Một fintech thuộc Ngân hàng C sử dụng **Elastic Net** (kết hợp L1 + L2 với tỷ lệ 0.6:0.4) để dự báo khách hàng rời bỏ dịch vụ ngân hàng điện tử trong vòng 90 ngày. Với 850.000 khách hàng hoạt động và 95 biến đầu vào, mô hình Elastic Net đạt F1-score = 0.71, cao hơn 12% so với mô hình không chuẩn hóa. Kết quả phân tích cho thấy 4 nhóm biến quan trọng nhất: (1) số lần đăng nhập thất bại, (2) thời gian từ lần giao dịch cuối cùng, (3) số lượng khiếu nại dịch vụ, (4) tỷ lệ sử dụng app so với web. Nhờ mô hình này, phòng marketing đã triển khai chiến dịch giữ chân khách hàng targeted, giảm tỷ lệ churn từ 8,4% xuống 6,1% trong 6 tháng đầu triển khai.

---

## AI Regularization chuẩn hóa L1 L2 trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Regularization L1 L2 (Lasso & Ridge) | /ˌrɛɡjʊləraɪˈzeɪʃən ɛl wʌn ɛl tuː/ |
| Tiếng Nhật | 正則化L1 L2 (Lasso と Ridge) | Seisokuka L1 L2 (Rasso to Rizu) |
| Tiếng Hàn | 정규화 L1 L2 (라쏘와 릿지) | Jeong-guhwa L1 L2 (Rasso-wa Ritji) |
| Tiếng Trung | 正则化L1 L2 (套索与岭回归) | Zhèngzéhuà L1 L2 (Tàosuǒ yǔ Lǐng Huíguī) |
| Tiếng Tây Ban Nha | Regularización L1 L2 (Lazo y Cresta) | /reɣulaɾiθaˈθjon el uno el dos/ |

---

## Câu hỏi thường gặp

### AI Regularization chuẩn hóa L1 L2 khác gì với Dropout?

**Regularization L1 L2** là kỹ thuật chuẩn hóa dựa trên thay đổi **hàm mất mát** bằng cách thêm penalty term lên các hệ số của mô hình, áp dụng được cho hầu hết các thuật toán (linear regression, logistic regression, neural network...). Trong khi đó, **Dropout** chỉ áp dụng cho mạng nơ-ron sâu (deep neural network), hoạt động bằng cách ngẫu nhiên "tắt" một tỷ lệ nơ-ron trong quá trình huấn luyện. Về bản chất, cả hai đều nhằm giảm overfitting, nhưng L1/L2 ảnh hưởng đến trọng số còn Dropout ảnh hưởng đến cấu trúc mạng.

### Khi nào cần biết về AI Regularization chuẩn hóa L1 L2 trong ngân hàng?

Các vị trí tuyển dụng ngân hàng cần nắm vững kiến thức này bao gồm: **Data Analyst**, **Data Scientist**, **Risk Modeler**, **Credit Risk Analyst**, **Fraud Analyst**, và **Quantitative Analyst (Quant)**. Cụ thể, kiến thức về Regularization thường xuất hiện trong các bài thi tuyển dụng vòng 2 hoặc vòng 3 của các vị trí này, đặc biệt khi ngân hàng yêu cầu ứng viên phân tích case study về xây dựng mô hình tín dụng hoặc phát hiện gian lận. Ngoài ra, trong vai trò kiểm toán nội bộ hoặc tuân thủ Basel II/III, nhân viên cần hiểu regularization để đánh giá tính hợp lý của mô hình AI.

### AI Regularization chuẩn hóa L1 L2 ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng cá nhân, Regularization giúp mô hình chấm điểm tín dụng công bằng hơn vì nó loại bỏ các biến mang tính phân biệt (như giới tính, dân tộc trong một số bối cảnh) và tập trung vào các biến tài chính thực sự. Điều này dẫn đến quyết định cho vay chính xác hơn, hạn chế tình trạng khách hàng có năng lực tài chính tốt nhưng bị từ chối do mô hình overfit với dữ liệu lịch sử thiên lệch. Đối với doanh nghiệp, các mô hình rủi ro tín dụng ổn định hơn giúp tiết kiệm chi phí dự phòng, từ đó ngân hàng có thể giảm lãi suất cho vay hợp lý, mang lại lợi ích cho cả hệ thống kinh tế.

---

## Tổng kết

**AI Regularization chuẩn hóa L1 L2** là kiến thức nền tảng không thể thiếu đối với bất kỳ ai muốn theo đuổi lĩnh vực **AI & Machine Learning trong ngân hàng**. L1 (Lasso) phù hợp cho bài toán **chọn lọc đặc trưng** khi dữ liệu nhiều chiều, trong khi L2 (Ridge) ổn định mô hình khi gặp **đa cộng tuyến**, và Elastic Net kết hợp ưu điểm của cả hai. Trong bối cảnh ngân hàng Việt Nam đang chuyển đổi số mạnh mẽ theo Quyết định của Ngân hàng Nhà nước, việc nắm vững các kỹ thuật này không chỉ giúp ứng viên vượt qua vòng phỏng vấn kỹ thuật mà còn là nền tảng để xây dựng các mô hình AI tuân thủ Basel, đảm bảo minh bạch, công bằng và có khả năng giải thích - ba yếu tố cốt lõi của AI đáng tin cậy (**Trustworthy AI**) trong ngành tài chính.

## Thuật ngữ liên quan

- [Chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-la-gi) — Mô hình đánh giá mức độ tín nhiệm của khách hàng dựa trên lịch sử tài chính, hành vi giao dịch và nhiều yếu tố khác.
- [Hệ thống giám sát giao dịch](https://vieclam.nganhang.com/thuat-ngu/he-thong-giam-sat-giao-dich-la-gi) — Công cụ phần mềm tự động phân tích giao dịch thời gian thực theo các kịch bản nghiệp vụ để cảnh báo hoạt động bất thường.
- [Mô hình chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-tin-dung-la-gi) — Mô hình thống kê (hồi quy logistic, cây quyết định, machine learning) gán điểm cho khách hàng dựa trên dữ liệu tài chính và phi tài chính để quyết định cấp tín…
- [Mô hình dự báo khách hàng rời bỏ](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-du-bao-khach-hang-roi-bo-la-gi) — Mô hình phân tích dữ liệu lớn và máy học nhằm dự đoán khách hàng có khả năng rời bỏ cao để chuyên viên quan hệ can thiệp kịp thời.
- [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.
- [Phân khúc khách hàng](https://vieclam.nganhang.com/thuat-ngu/phan-khuc-khach-hang-la-gi) — Phân chia khách hàng thành các nhóm đồng nhất theo hành vi, thu nhập, nhân khẩu học, giúp cá nhân hóa sản phẩm và chiến dịch tiếp thị.
- [Phòng chống rửa tiền](https://vieclam.nganhang.com/thuat-ngu/phong-chong-rua-tien-la-gi) — Hệ thống quy trình và công nghệ giúp ngân hàng phát hiện, ngăn chặn các giao dịch có dấu hiệu rửa tiền.
- [Phòng chống rửa tiền (AML)](https://vieclam.nganhang.com/thuat-ngu/phong-chong-rua-tien-aml-la-gi) — Hệ thống quy định và quy trình nội bộ nhằm phát hiện, ngăn chặn việc hợp pháp hóa tiền từ hoạt động phi pháp tại các tổ chức tài chính.