# AI Regularization L1 L2 chính quy hóa

Tiếng Anh: AI L1 L2 Regularization

Kỹ thuật phạt độ lớn của trọng số để giảm overfitting, phổ biến trong mô hình tín dụng và hồi quy logistic ngân hàng.

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

AI Regularization L1 L2 chính quy hóa là gì?

**AI Regularization L1 L2 chính quy hóa** (hay còn gọi là **L1 L2 Regularization**) là tập hợp hai kỹ thuật tối ưu hóa cốt lõi trong lĩnh vực học máy (**Machine Learning**) và trí tuệ nhân tạo (**Artificial Intelligence - AI**), được sử dụng để kiểm soát độ phức tạp của mô hình bằng cách thêm một số hạng phạt (**penalty term**) vào hàm mất mát (**loss function**). Mục tiêu cuối cùng của kỹ thuật này là hạn chế độ lớn của các trọng số (**weights**) trong mô hình, từ đó giảm thiểu hiện tượng quá khớp (**overfitting**) — một "căn bệnh" phổ biến khi mô hình học quá chi tiết các đặc điểm nhiễu trong dữ liệu huấn luyện và mất đi khả năng tổng quát hóa (**generalization**) trên dữ liệu mới.

Trong bối cảnh ngân hàng Việt Nam đang chuyển đổi số mạnh mẽ, các mô hình AI được ứng dụng ngày càng rộng rãi trong chấm điểm tín dụng (**credit scoring**), phát hiện gian lận (**fraud detection**), dự báo rủi ro tín dụng, phân khúc khách hàng và tối ưu hóa danh mục đầu tư. Khi dữ liệu đầu vào lên tới hàng trăm, thậm chí hàng nghìn biến (như thu nhập, lịch sử giao dịch, độ tuổi, nghề nghiệp, hành vi trên ứng dụng di động...), nguy cơ mô hình trở nên quá phức tạp và "học vẹt" dữ liệu huấn luyện là rất cao. Chính quy hóa L1 và L2 chính là "liều thuốc" giúp các kỹ sư dữ liệu tại ngân hàng xây dựng được những mô hình vừa có độ chính xác cao, vừa có khả năng giải thích (**interpretability**) — yếu tố mà Ngân hàng Nhà nước yêu cầu ngày càng nghiêm ngặt trong các quy định về quản trị rủi ro mô hình.

**Thuật ngữ tiếng Anh:** AI L1 L2 Regularization
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

Chính quy hóa L1 và L2 có những đặc điểm riêng biệt về mặt toán học lẫn ứng dụng thực tiễn. Dưới đây là bảng phân loại chi tiết:

### Bảng so sánh L1, L2 và Elastic Net

| Tiêu chí | **L1 Regularization (Lasso)** | **L2 Regularization (Ridge)** | **Elastic Net** |
|---|---|---|---|
| Tên đầy đủ | Least Absolute Shrinkage and Selection Operator | Ridge Regression (Tikhonov regularization) | Kết hợp L1 + L2 |
| Công thức số hạng phạt | λ × Σ\|wᵢ\| | λ × Σwᵢ² | λ₁ × Σ\|wᵢ\| + λ₂ × Σwᵢ² |
| Tác động lên trọng số | Đưa nhiều trọng số về chính xác bằng 0 | Giảm độ lớn đồng đều nhưng không triệt tiêu | Kết hợp cả hai |
| Khả năng lựa chọn biến | Có (feature selection tự động) | Không | Có (mức độ vừa phải) |
| Xử lý đa cộng tuyến | Yếu | Mạnh | Khá tốt |
| Đạo hàm | Không khả vi tại w = 0 | Khả vi mọi nơi | Khả vi mọi nơi (trừ L1) |
| Kết quả mô hình | Sparse model (mô hình thưa) | Dense model (mô hình dày đặc) | Semi-sparse |
| Trường hợp sử dụng tốt nhất | Nhiều biến, nghi ngờ nhiều biến dư thừa | Biến tương quan cao, cần ổn định | Dữ liệu phức tạp, biến nhiều và tương quan |

### Vai trò của hệ số Lambda (λ)

**Hệ số Lambda** (còn gọi là **regularization parameter** hoặc **penalty strength**) đóng vai trò điều chỉnh cường độ phạt:

- **λ = 0**: Mô hình trở về dạng ban đầu, không có chính quy hóa, nguy cơ **overfitting** cao.
- **λ rất nhỏ** (ví dụ 0.0001): Phạt yếu, mô hình vẫn phức tạp, ít tác dụng giảm overfitting.
- **λ vừa phải** (ví dụ 0.01 - 1): Cân bằng tốt giữa độ chính xác trên tập huấn luyện và khả năng tổng quát hóa.
- **λ rất lớn** (ví dụ 1000): Phạt quá mạnh, mô hình trở nên quá đơn giản, dẫn đến **underfitting** (dưới khớp).

Trong thực tế, λ thường được tìm bằng phương pháp **Cross-Validation** (thường là k-fold CV với k = 5 hoặc k = 10) để đảm bảo chọn được giá trị tối ưu cho tập dữ liệu cụ thể.

### Đặc điểm hình học dễ nhớ

Một cách trực quan để phân biệt L1 và L2:
- **L1** tạo ra vùng ràng buộc hình **kim cương** (diamond) trong không gian trọng số, các điểm tối ưu thường rơi vào **đỉnh** (trục tọa độ) → trọng số = 0.
- **L2** tạo ra vùng ràng buộc hình **tròn** (circle), các điểm tối ưu hiếm khi rơi chính xác vào trục tọa độ → trọng số tiến gần 0 nhưng không bằng 0.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ứng dụng L2 trong mô hình chấm điểm tín dụng tại Ngân hàng A

Ngân hàng A là một ngân hàng thương mại cổ phần lớn tại Việt Nam với hơn 15 triệu khách hàng cá nhân. Khi xây dựng mô hình **hồi quy logistic** để phân loại khách hàng thành hai nhóm "tín dụng tốt" (khả năng trả nợ đúng hạn) và "tín dụng xấu" (có khả năng vỡ nợ trong 12 tháng tới), đội ngũ Data Scientist đã sử dụng tập dữ liệu gồm **247 biến đầu vào**, bao gồm:

- Đặc điểm nhân khẩu học: tuổi, giới tính, tình trạng hôn nhân, trình độ học vấn
- Đặc điểm tài chính: thu nhập hàng tháng, số dư tài khoản, tỷ lệ nợ trên thu nhập (**DTI ratio**)
- Lịch sử tín dụng: số lần trễ hạn, số lượng khoản vay hiện tại, điểm CIC
- Hành vi giao dịch: tần suất giao dịch, giá trị giao dịch trung bình, số lượng giao dịch online

Khi chạy mô hình ban đầu (không chính quy hóa), team phát hiện biến "thu nhập hàng tháng" chi phối kết quả với trọng số w = 847.2, trong khi các biến khác chỉ có trọng số từ 0.5 đến 50. Điều này khiến mô hình rất nhạy cảm với sai lệch trong khai báo thu nhập. Sau khi áp dụng **L2 với λ = 0.05**, trọng số của biến thu nhập giảm xuống còn 12.8, các biến khác được "san phẳng" hơn, và độ chính xác trên tập kiểm tra (**test set**) cải thiện từ 78.3% lên **83.7%**. Đặc biệt, chỉ số **AUC-ROC** tăng từ 0.81 lên 0.86, cho thấy khả năng phân loại tốt hơn đáng kể.

### Ví dụ 2: Ứng dụng L1 trong phát hiện giao dịch gian lận tại Ngân hàng B

Ngân hàng B triển khai hệ thống phát hiện gian lận thẻ tín dụng xử lý khoảng **2.3 triệu giao dịch mỗi ngày**. Dữ liệu giao dịch có tới **312 đặc trưng** (features) như: thời gian giao dịch, vị trí địa lý, loại merchant, số tiền, tần suất giao dịch trong 1 giờ qua, độ lệch so với hành vi thông thường, v.v.

Khi áp dụng **L1 Regularization (Lasso)**, mô hình đã tự động đưa **278 trọng số về chính xác bằng 0**, chỉ giữ lại **34 biến quan trọng nhất**. Điều này không chỉ giúp:
- Giảm thời gian dự đoán từ **120ms xuống 28ms** trên mỗi giao dịch
- Tiết kiệm **76% tài nguyên tính toán**
- Tăng tốc độ xử lý real-time

mà còn giúp các chuyên gia tuân thủ (**Compliance**) dễ dàng giải thích cho cơ quan quản lý rằng hệ thống đưa ra cảnh báo gian lận dựa trên những yếu tố cụ thể nào — yêu cầu bắt buộc theo Quyết định 2345/QĐ-NHNN về triển khai các giải pháp an toàn, bảo mật trong hoạt động ngân hàng trên môi trường số.

### Ví dụ 3: Ứng dụng Elastic Net trong dự báo rủi ro danh mục tín dụng

Một công ty tài chính thuộc Ngân hàng A quản lý danh mục cho vay doanh nghiệp với **8.500 khách hàng** và **42 biến tài chính** (doanh thu, EBITDA, tỷ lệ nợ/vốn chủ sở hữu, ROE, ROA, biên lợi nhuận...). Trong đó có hiện tượng **multicollinearity** mạnh giữa các nhóm biến (ví dụ ROE và ROA tương quan 0.92). Khi áp dụng **Elastic Net** với tỷ lệ L1:L2 = 0.5:0.5, mô hình vừa loại bỏ được 8 biến dư thừa, vừa xử lý tốt tương quan cao, giúp **tỷ lệ dự báo chính xác các khoản nợ xấu (NPL) đạt 87.4%**, cao hơn 4.2 điểm phần trăm so với mô hình hồi quy truyền thống.

## AI Regularization L1 L2 chính quy hóa trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | L1 L2 Regularization | /ɛl wʌn ɛl tuː ˌrɛɡjələraɪˈzeɪʃən/ |
| Tiếng Nhật | L1 L2 正則化（せいそくか） | L1 L2 seikika |
| Tiếng Hàn | L1 L2 정규화（정규화） | L1 L2 jeong-guhwa |
| Tiếng Trung | L1 L2 正则化（zhèng zé huà） | L1 L2 zhèngzéhuà |
| Tiếng Tây Ban Nha | Regularización L1 L2 | /reɣulaɾiθaˈθjon e.le u.na e.le doʃ/ |

**Ghi chú về phiên âm:**
- Tiếng Nhật sử dụng romaji (L1 L2 seikika) kèm hiragana trong ngoặc
- Tiếng Hàn sử dụng romanization chuẩn Revised Romanization
- Tiếng Trung sử dụng pinyin kèm nghĩa Hán-Việt trong ngoặc
- Tiếng Tây Ban Nha dùng IPA vì hệ thống âm vị phong phú

## Câu hỏi thường gặp

### AI Regularization L1 L2 chính quy hóa khác gì với Dropout?

**L1/L2 Regularization** và **Dropout** đều là kỹ thuật chống overfitting nhưng hoạt động khác nhau. L1/L2 thêm số hạng phạt vào hàm mất mát để giới hạn độ lớn trọng số ở cấp độ toàn cục của mô hình. Trong khi đó, Dropout (phổ biến trong mạng nơ-ron) tắt ngẫu nhiên một số nơ-ron trong quá trình huấn luyện với xác suất p (thường p = 0.2 - 0.5), tạo ra hiệu ứng "ensemble" ngầm. Trong ngân hàng, với các mô hình truyền thống như hồi quy logistic, cây quyết định, người ta ưu tiên L1/L2; với mô hình deep learning phức tạp (CNN, RNN xử lý ảnh hoặc chuỗi thời gian), người ta thường kết hợp cả hai.

### Khi nào cần biết về AI Regularization L1 L2 chính quy hóa?

Bạn cần nắm vững kiến thức này khi (1) Ôn thi tuyển dụng vào các vị trí Data Analyst, Data Scientist, Risk Analyst tại ngân hàng; (2) Tham gia các chương trình chứng chỉ quốc tế như **FRM** (Financial Risk Manager), **CFA**, **PRM** hay các khóa đào tạo nội bộ về **Basel II, Basel III**; (3) Xây dựng hoặc kiểm duyệt mô hình AI trong ngân hàng theo yêu cầu của Ngân hàng Nhà nước về quản trị rủi ro mô hình; (4) Phỏng vấn ứng viên cho vị trí AI/ML trong ngân hàng, đây là câu hỏi technical phổ biến.

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

Với khách hàng cá nhân vay vốn, mô hình chấm điểm tín dụng có áp dụng L1/L2 chính quy hóa sẽ **công bằng hơn**, ít bị chi phối bởi một biến đơn lẻ (ví dụ chỉ dựa vào thu nhập), từ đó giúp những người có thu nhập vừa phải nhưng lịch sử tín dụng tốt vẫn được duyệt vay. Với khách hàng doanh nghiệp, mô hình có chính quy hóa giúp **dự báo rủi ro chính xác hơn**, ngân hàng đưa ra lãi suất phù hợp với mức rủi ro thực tế. Với tất cả khách hàng, đây cũng là yếu tố giúp hệ thống phát hiện gian lận chính xác hơn, giảm thiểu việc giao dịch hợp lệ bị từ chối nhầm.

## Tổng kết

**AI Regularization L1 L2 chính quy hóa** là kiến thức nền tảng không thể thiếu đối với bất kỳ ai làm việc trong lĩnh vực AI/ML tại ngân hàng. L1 (Lasso) phù hợp cho **feature selection** với khả năng tạo mô hình thưa, L2 (Ridge) phù hợp xử lý **multicollinearity** và ổn định mô hình, còn Elastic Net kết hợp ưu điểm của cả hai. Việc thành thạo kỹ thuật này không chỉ giúp ứng viên vượt qua các kỳ thi tuyển dụng ngân hàng mà còn là nền tảng để xây dựng các mô hình AI đáng tin cậy, tuân thủ quy định của Ngân hàng Nhà nước và đáp ứng yêu cầu ngày càng khắt khe về quản trị rủi ro mô hình trong thời đại số hóa. Hãy nhớ rằng trong bối cảnh Basel III, IFRS 9 và các quy định về AI Act đang được áp dụng rộng rãi, khả năng giải thích mô hình (**model interpretability**) — mà L1/L2 hỗ trợ trực tiếp — chính là chìa khóa để ngân hàng triển khai AI một cách an toàn và bền vững.

## Thuật ngữ liên quan

- [Chương trình đào tạo nội bộ](https://vieclam.nganhang.com/thuat-ngu/chuong-trinh-dao-tao-noi-bo-la-gi) — Các khóa học, hội thảo do ngân hàng tổ chức nhằm phát triển năng lực cho cán bộ nhân viên theo khung năng lực đề ra.
- [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.
- [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 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.
- [Trí tuệ nhân tạo](https://vieclam.nganhang.com/thuat-ngu/tri-tue-nhan-tao-la-gi) — Lĩnh vực nghiên cứu tạo ra hệ thống có khả năng thực hiện tác vụ đòi hỏi trí thông minh của con người, đang được ứng dụng sâu rộng trong ngân hàng từ chatbot đ…