# AI SHAP giải thích mô hình

Tiếng Anh: SHapley Additive exPlanations

Phương pháp giải thích đóng góp của từng biến vào dự đoán của mô hình AI, được NHNN khuyến nghị dùng để giải trình quyết định tín dụng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-shap-giai-thich-mo-hinh-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI SHAP giải thích mô hình là gì?

**SHAP** (SHapley Additive exPlanations) là phương pháp giải thích mô hình học máy được phát triển dựa trên **lý thuyết trò chơi hợp tác** (cooperative game theory) của nhà kinh tế học người Mỹ Lloyd Shapley - người đoạt giải Nobel Kinh tế năm 2012. Phương pháp được Scott Lundberg và Su-In Lee chính thức công bố trong bài báo khoa học năm 2017 trên tạp chí *Nature Machine Intelligence* và nhanh chóng trở thành chuẩn mực (de facto standard) trong lĩnh vực **Explainable AI (XAI)** - trí tuệ nhân tạo có khả năng giải thích. Trong ngành ngân hàng, SHAP được xem là công cụ chuẩn để giải trình tính minh bạch của các mô hình tín dụng, giúp tổ chức tín dụng giải thích lý do chấp nhận hoặc từ chối khoản vay cho khách hàng và cơ quan quản lý.

Về mặt kỹ thuật, SHAP hoạt động bằng cách tính toán **giá trị đóng góp biên** (marginal contribution) của từng đặc trưng (feature) khi đặc trưng đó được thêm vào hoặc loại bỏ khỏi tập hợp biến đầu vào của mô hình. Giá trị SHAP của một biến thể hiện sự khác biệt giữa dự đoán của mô hình với dự đoán trung bình (base value) khi biến đó tham gia vào quá trình tính toán. Giá trị dương (+) thể hiện đặc trưng đẩy dự đoán lên cao hơn mức trung bình (ví dụ: tăng xác suất vỡ nợ), giá trị âm (-) thể hiện đặc trưng kéo dự đoán xuống thấp hơn (giảm rủi ro). Đây là điểm khác biệt quan trọng so với phương pháp feature importance truyền thống vốn chỉ cho biết độ lớn tác động mà không chỉ ra hướng tác động.

Phương pháp SHAP đảm bảo ba tính chất cốt lõi: **tính chính xác cục bộ** (local accuracy), **tính thiếu hụt** (missingness) và **tính nhất quán** (consistency). SHAP có thể áp dụng cho cả hai nhóm mô hình: **model-agnostic** (KernelSHAP áp dụng cho mọi mô hình) và **model-specific** (TreeSHAP được tối ưu hóa cho các mô hình cây tăng cường gradient như XGBoost, LightGBM - vốn là chuẩn phổ biến trong chấm điểm tín dụng). Nhờ vậy, SHAP cho phép giải thích ở cả cấp độ từng cá nhân (local explanation) lẫn toàn bộ tập dữ liệu (global explanation), giúp nhà phân tích hiểu biến nào có ảnh hưởng lớn nhất đến quyết định cho vay.

**Thuật ngữ tiếng Anh:** SHapley Additive exPlanations (SHAP)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Ba tính chất cốt lõi của SHAP

1. **Local accuracy (Tính chính xác cục bộ):** Tổng giá trị SHAP của tất cả đặc trưng cộng với giá trị cơ sở (base value) phải bằng đúng dự đoán của mô hình cho quan sát đó. Điều này đảm bảo tính giải thích phản ánh trung thực đầu ra, không phải xấp xỉ.
2. **Missingness (Tính thiếu hụt):** Một đặc trưng không có trong tập đầu vào sẽ có giá trị SHAP bằng 0, nghĩa là nó không đóng góp vào dự đoán. Tính chất này đảm bảo tính nhất quán khi so sánh giữa các quan sát có tập đặc trưng khác nhau.
3. **Consistency (Tính nhất quán):** Nếu mô hình thay đổi sao cho đặc trưng đóng góp nhiều hơn vào dự đoán, giá trị SHAP của đặc trưng đó không được giảm. Tính chất này bảo đảm giải thích SHAP luôn đáng tin cậy khi mô hình được cập nhật hoặc tái huấn luyện.

### Phân loại các biến thể SHAP theo loại mô hình

| Biến thể | Loại mô hình áp dụng | Độ phức tạp tính toán | Ứng dụng điển hình trong ngân hàng |
|---|---|---|---|
| KernelSHAP | Model-agnostic (mọi mô hình) | Cao - O(2^M) với M đặc trưng | Giải thích mô hình rủi ro tín dụng tổng quát |
| **TreeSHAP** | Mô hình cây (XGBoost, LightGBM, Random Forest, CatBoost) | Thấp - chính xác trong thời gian đa thức | **Chấm điểm tín dụng**, phát hiện gian lận |
| DeepSHAP | Mạng nơ-ron sâu (Deep Neural Networks) | Trung bình | Nhận dạng chữ ký, phân tích hành vi giao dịch |
| LinearSHAP | Mô hình tuyến tính | Rất thấp - công thức đóng | Hồi quy logistic phân khúc khách hàng |
| GradientSHAP | Mô hình sử dụng gradient | Trung bình | Phân tích định lượng rủi ro thị trường |

### Các dạng biểu đồ SHAP thường gặp trong thực tế

- **Summary Plot (Biểu đồ tổng hợp):** Hiển thị tầm quan trọng và hướng tác động của tất cả đặc trưng trên toàn bộ tập dữ liệu. Trục Y sắp xếp đặc trưng theo tầm quan trọng, trục X là giá trị SHAP, màu sắc thể hiện giá trị của đặc trưng (đỏ = cao, xanh = thấp).
- **Force Plot (Biểu đồ lực):** Giải thích dự đoán cho một quan sát cụ thể - ví dụ một hồ sơ vay cá nhân. Các lực đẩy màu đỏ (tăng rủi ro) và xanh (giảm rủi ro) cộng lại cho ra kết quả dự đoán cuối cùng.
- **Dependence Plot (Biểu đồ phụ thuộc):** Thể hiện mối quan hệ phi tuyến giữa một đặc trưng và giá trị SHAP tương

## Thuật ngữ liên quan

- [Bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/bao-ve-du-lieu-ca-nhan-la-gi) — Yêu cầu pháp lý ngân hàng phải thu thập, lưu trữ và xử lý dữ liệu cá nhân khách hàng theo Nghị định 13/2023/NĐ-CP và các quy định liên quan.
- [Nghị định 13/2023/NĐ-CP](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-la-gi) — Văn bản pháp lý quan trọng quy định về xử lý và bảo vệ dữ liệu cá nhân tại Việt Nam có hiệu lực từ ngày 01/07/2023.
- [Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-ve-bao-ve-du-lieu-ca-nhan-la-gi) — Văn bản pháp lý quan trọng quy định bảo vệ dữ liệu cá nhân tại Việt Nam, áp dụng cho dịch vụ tài chính số.
- [Phê duyệt khoản vay](https://vieclam.nganhang.com/thuat-ngu/phe-duyet-khoan-vay-la-gi) — Quyết định của ngân hàng đồng ý cấp tín dụng cho khách hàng cá nhân với hạn mức và lãi suất cụ thể.
- [Phê duyệt khoản vay tự động](https://vieclam.nganhang.com/thuat-ngu/phe-duyet-khoan-vay-tu-dong-la-gi) — Là quy trình ngân hàng sử dụng công nghệ và mô hình tín dụng để tự động phê duyệt khoản vay mà không cần nhân viên can thiệp thủ công. Rút ngắn thời gian duyệt…
- [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.
- [Quản trị rủi ro mô hình](https://vieclam.nganhang.com/thuat-ngu/quan-tri-rui-ro-mo-hinh-la-gi) — Khung quy trình quản lý vòng đời mô hình phân tích nhằm đảm bảo độ chính xác và tuân thủ theo quy định NHNN.
- [Tỷ lệ nợ trên thu nhập](https://vieclam.nganhang.com/thuat-ngu/ty-le-no-tren-thu-nhap-la-gi) — Chỉ tiêu đánh giá khả năng trả nợ của khách hàng cá nhân, tính bằng tổng nghĩa vụ nợ hàng tháng chia cho thu nhập ròng.