# AI Train Test Split phân chia dữ liệu

Tiếng Anh: Train/Test Split

Quy trình chia dữ liệu thành tập huấn luyện và kiểm tra nhằm đánh giá khả năng tổng quát hóa của mô hình AI ngân hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-train-test-split-phan-chia-du-lieu-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI Train Test Split phân chia dữ liệu là gì?

Phân chia dữ liệu Train/Test Split là một bước tiền xử lý dữ liệu **bắt buộc và thiết yếu** trong toàn bộ quy trình phát triển mô hình học máy (**machine learning**) nói chung và trong lĩnh vực ngân hàng nói riêng. Kỹ thuật này đòi hỏi tập dữ liệu gốc phải được tách thành hai phần riêng biệt: **tập huấn luyện (training set)** để mô hình học các đặc trưng và mối quan hệ thống kê trong dữ liệu, và **tập kiểm tra (test set)** để đánh giá khách quan hiệu suất thực tế của mô hình trên những dữ liệu mà mô hình chưa từng được "nhìn thấy" trong suốt quá trình huấn luyện.

Mục tiêu cốt lõi của Train/Test Split không chỉ dừng lại ở việc đo lường độ chính xác đơn thuần, mà còn nhằm kiểm tra khả năng **tổng quát hóa (generalization)** của mô hình — tức là khả năng mô hình có thể đưa ra dự đoán đúng trên những dữ liệu hoàn toàn mới trong tương lai. Nếu một mô hình đạt độ chính xác 99% trên tập huấn luyện nhưng chỉ đạt 65% trên tập kiểm tra, đây chính là dấu hiệu kinh điển của hiện tượng **quá khớp (overfitting)** — mô hình đã học thuộc lòng dữ liệu huấn luyện thay vì học được các quy luật tổng quát, và do đó hoàn toàn không đáng tin cậy khi triển khai vào môi trường sản xuất thực tế tại ngân hàng.

Trong ngành ngân hàng — nơi mà các mô hình AI được sử dụng để đưa ra những quyết định có giá trị rất lớn như phê duyệt khoản vay, phát hiện giao dịch gian lận, hay đánh giá rủi ro tín dụng — Train/Test Split đóng vai trò như một "tấm khiên" bảo vệ khách hàng và chính ngân hàng khỏi những rủi ro của các mô hình thiếu độ tin cậy. Một mô hình chấm điểm tín dụng (**credit scoring**) không được kiểm định đúng cách có thể từ chối cho vay đối với những khách hàng có khả năng trả nợ tốt, hoặc ngược lại — phê duyệt khoản vay cho những khách hàng có xác suất vỡ nợ cao, gây thiệt hại trực tiếp cho ngân hàng và làm mất niềm tin của khách hàng.

Về mặt quy định pháp lý tại Việt Nam, các Thông tư hướng dẫn về quản trị rủi ro công nghệ thông tin do Ngân hàng Nhà nước ban hành đã yêu cầu các tổ chức tín dụng phải kiểm tra, đánh giá mô hình trước khi đưa vào sử dụng, trong đó việc phân chia dữ liệu huấn luyện và kiểm tra là bước bắt buộc không thể thiếu. Ngoài ra, các quy định về bảo mật dữ liệu cá nhân trong Luật An toàn thông tin mạng và Nghị định về bảo vệ dữ liệu cá nhân cũng yêu cầu dữ liệu dùng để huấn luyện và kiểm tra mô hình AI phải được xử lý đảm bảo tính riêng tư và bảo mật tuyệt đối.

**Thuật ngữ tiếng Anh:** Train/Test Split
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

Phương pháp Train/Test Split có nhiều biến thể khác nhau, mỗi biến thể phù hợp với một tình huống và quy mô dữ liệu cụ thể. Dưới đây là bảng tổng hợp các đặc điểm và phân loại phổ biến nhất trong thực tiễn phát triển mô hình AI ngân hàng:

### Bảng phân loại các phương pháp phân chia dữ liệu

| Phương pháp | Tỷ lệ phân chia điển hình | Ưu điểm | Nhược điểm | Trường hợp áp dụng |
|---|---|---|---|---|
| **Simple Split** (Phân chia đơn giản) | 70/30, 80/20, 75/25 | Dễ thực hiện, nhanh chóng, ít tốn tài nguyên tính toán | Độ tin cậy phụ thuộc vào cách chia ngẫu nhiên; không tận dụng tối đa dữ liệu | Dữ liệu lớn (trên 100.000 bản ghi) |
| **Stratified Split** (Phân chia có phân tầng) | 70/30 hoặc 80/20 | Duy trì tỷ lệ nhãn (**label**) giữa hai tập, đặc biệt hữu ích với dữ liệu mất cân bằng | Phức tạp hơn về mặt kỹ thuật | Bài toán phân loại mất cân bằng (ví dụ: phát hiện gian lận — chỉ 0,01% giao dịch là gian lận) |
| **K-Fold Cross-Validation** (Kiểm định chéo K-fold) | Chia thành K phần (K=5 hoặc K=10) | Tận dụng tối đa dữ liệu, kết quả ổn định hơn | Tốn tài nguyên tính toán gấp K lần | Dữ liệu vừa và nhỏ; khi cần đánh giá độ tin cậy cao |
| **Time-Based Split** (Phân chia theo thời gian) | Dữ liệu trước một mốc thời gian → train, sau mốc → test | Phản ánh đúng thực tế triển khai, tránh rò rỉ dữ liệu tương lai | Yêu cầu dữ liệu có timestamp | Dữ liệu chuỗi thời gian như dự báo giá vàng, tỷ giá, biến động cổ phiếu |
| **Hold-Out Validation** | 60/20/20 (train/validation/test) | Có tập validation riêng để điều chỉnh siêu tham số | Cần dữ liệu đủ lớn | Dữ liệu lớn, cần tinh chỉnh mô hình chuyên sâu |
| **Leave-One-Out** | N-1 dùng để train, 1 dùng để test | Sử dụng gần như toàn bộ dữ liệu | Cực kỳ tốn tài nguyên (chạy N lần) | Dữ liệu rất nhỏ, nghiên cứu học thuật |

### Các nguyên tắc bắt buộc khi thực hiện Train/Test Split

1. **Tính độc lập tuyệt đối:** Tập kiểm tra phải hoàn toàn tách biệt khỏi tập huấn luyện; không bao giờ được sử dụng dữ liệu kiểm tra trong quá trình huấn luyện, kể cả trong giai đoạn tinh chỉnh siêu tham số (hyperparameter tuning).

2. **Không rò rỉ dữ liệu (data leakage):** Mọi phép biến đổi dữ liệu — chuẩn hóa (**normalization**), mã hóa (**encoding**), xử lý giá trị thiếu (**imputation**) — phải được fit trên tập huấn luyện trước, sau đó mới áp dụng lên tập kiểm tra. Đây là lỗi phổ biến nhất của người mới học và có thể khiến chỉ số đánh giá mô hình tăng "ảo" từ 70% lên 95%.

3. **Cố định ngẫu nhiên (random seed):** Sử dụng tham số `random_state` cố định để kết quả phân chia có thể tái lập, phục vụ cho việc kiểm toán (**audit**) và tái sản xuất kết quả khi cần thiết.

4. **Xáo trộn dữ liệu (shuffle):** Đối với dữ liệu không phải chuỗi thời gian, cần xáo trộn dữ liệu trước khi chia để tránh hiện tượng dữ liệu bị sắp xếp theo một trật tự nhất định gây thiên lệch.

5. **Tỷ lệ phân chia hợp lý:** Với tập dữ liệu trên 1 triệu bản ghi, tỷ lệ 90/10 là đủ; với tập dữ liệu dưới 10.000 bản ghi, nên ưu tiên Cross-Validation thay vì Simple Split đơn lẻ.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Xây dựng mô hình chấm điểm tín dụng tại Ngân hàng A

Ngân hàng A có khoảng 500.000 hồ sơ tín dụng trong vòng 5 năm qua, bao gồm các đặc trưng như thu nhập hàng tháng, lịch sử trả nợ, độ tuổi, ngành nghề và tình trạng nợ xấu (nhãn mục tiêu). Đội ngũ Data Scientist áp dụng phương pháp Simple Split với tỷ lệ 80/20:

- **Tập huấn luyện (400.000 hồ sơ):** Dùng để huấn luyện hai mô hình song song là Logistic Regression và Gradient Boosting để dự đoán xác suất khách hàng trả nợ đúng hạn trong 12 tháng tới.
- **Tập kiểm tra (100.000 hồ sơ):** Được giữ riêng hoàn toàn và chỉ sử dụng một lần duy nhất để đánh giá hiệu suất cuối cùng, tính các chỉ số AUC-ROC, Precision, Recall.

Kết quả cho thấy mô hình Gradient Boosting đạt **AUC-ROC = 0,87** trên tập kiểm tra, với Recall = 78% (phát hiện đúng 78% khách hàng có rủi ro vỡ nợ thực sự) và Precision = 73%. Nhờ áp dụng đúng kỹ thuật Train/Test Split, Ngân hàng A đã giảm tỷ lệ nợ xấu nhóm 3 trở lên từ 2,8% xuống còn 1,9% chỉ sau 6 tháng triển khai, đồng thời mở rộng phê duyệt tín dụng cho thêm khoảng 15% khách hàng tiềm năng — tương đương mức tăng doanh thu lãi vay khoảng 850 tỷ đồng/năm.

### Ví dụ 2: Phát hiện giao dịch gian lận tại Ngân hàng B

Ngân hàng B xử lý khoảng 20 triệu giao dịch thẻ mỗi tháng, trong đó có khoảng 2.000 giao dịch gian lận (tỷ lệ 0,01% — dữ liệu cực kỳ mất cân bằng). Do đặc thù mất cân bằng nghiêm trọng của dữ liệu, đội ngũ áp dụng **Stratified Split** với tỷ lệ 70/30, đảm bảo tỷ lệ giao dịch gian lận được duy trì đồng nhất ở cả hai tập:

- **Tập huấn luyện (14 triệu giao dịch, trong đó có 1.400 giao dịch gian lận):** Dùng để huấn luyện mô hình Random Forest kết hợp với kỹ thuật SMOTE để tạo thêm mẫu gian lận nhân tạo, giúp cân bằng dữ liệu.
- **Tập kiểm tra (6 triệu giao dịch, trong đó có 600 giao dịch gian lận):** Đánh giá khả năng phát hiện gian lận thực tế, đảm bảo mô hình không bị "thiên vị" do hiện tượng mất cân bằng.

Kết quả: Mô hình phát hiện chính xác **85% giao dịch gian lận** trên tập kiểm tra (Recall = 85%), với tỷ lệ cảnh báo sai (False Positive Rate) chỉ 0,3%. Nhờ áp dụng đúng kỹ thuật Stratified Split thay vì Random Split đơn thuần, Ngân hàng B đã tiết kiệm ước tính khoảng 150 tỷ đồng mỗi năm từ việc giảm thiểu tổn thất do gian lận thẻ, đồng thời giảm 40% số lượng khách hàng bị khóa thẻ nhầm so với hệ thống cũ.

### Ví dụ 3: Dự đoán khách hàng rời bỏ dịch vụ tại Ngân hàng C

Ngân hàng C muốn xây dựng mô hình dự đoán khách hàng cá nhân có khả năng ngừng sử dụng dịch vụ ngân hàng số (mobile banking) trong vòng 3 tháng tới. Đội ngũ sử dụng dữ liệu lịch sử của 2 triệu khách hàng trong 12 tháng qua với các đặc trưng như tần suất đăng nhập, số lượng giao dịch, độ tuổi, khu vực sinh sống. Do dữ liệu có kích thước vừa phải và cần đánh giá ổn định, đội ngũ áp dụng **K-Fold Cross-Validation** với K=5:

- Dữ liệu được chia thành 5 phần bằng nhau, lần lượt sử dụng 4 phần để huấn luyện và 1 phần để kiểm tra, lặp lại 5 lần. Kết quả cuối cùng là trung bình của 5 lần đánh giá.
- Kết quả trung bình: Accuracy = 82%, F1-Score = 0,76, AUC-ROC = 0,84.

Mô hình giúp phòng Chăm sóc khách hàng của Ngân hàng C triển khai chiến dịch giữ chân kịp thời với các ưu đãi cá nhân hóa, **giảm 22% tỷ lệ churn trong vòng 6 tháng**, đóng góp trực tiếp vào doanh thu từ phí dịch vụ và lãi tiền gửi của khách hàng hiện hữu — ước tính giữ chân thành công khoảng 180.000 khách hàng, tương đương 320 tỷ đồng giá trị vòng đời khách hàng được bảo toàn.

## AI Train Test Split phân chia dữ liệu trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Train/Test Split | /treɪn tɛst splɪt/ |
| Tiếng Nhật | トレーニング/テスト分割 (Torēningu/Tesuto Bunkatsu) | /to.reː.niɴ.ɡɯ te.sɯ.to bɯɴ.ka.tsɯ/ |
| Tiếng Hàn | 훈련/테스트 분할 (Hunryeon/Teseuteu Bunhal) | /hun.njʌn tʰe.sɯ.tʰɯ bun.hal/ |
| Tiếng Trung | 训练/测试分割 (Xùnliàn/Cèshì Fēngē) | /ɕyn⁵¹⁻⁵³ ljɛn⁵¹ tsʰɤ⁵¹⁻²¹¹ ʂɻ̩⁵¹⁻³⁵ fən⁵⁵ kɤ⁵⁵/ |
| Tiếng Tây Ban Nha | División de Entrenamiento/Prueba | /di.biˈsjon de en.tɾe.naˈmjen.to ˈpɾwe.ba/ |

## Câu hỏi thường gặp

### Phân chia dữ liệu Train/Test Split khác gì Cross-Validation?

Phân chia dữ liệu Train/Test Split chỉ thực hiện một lần duy nhất, chia dữ liệu thành hai phần cố định, trong khi Cross-Validation (đặc biệt là K-Fold) thực hiện nhiều lần phân chia khác nhau và lấy trung bình kết quả. Train/Test Split phù hợp với tập dữ liệu rất lớn và tiết kiệm tài nguyên tính toán, còn Cross-Validation cho kết quả ổn định và đáng tin cậy hơn khi dữ liệu có kích thước vừa và nhỏ. Trong thực tế ngân hàng, hai phương pháp này thường được kết hợp: dùng Cross-Validation trong giai đoạn phát triển để tinh chỉnh siêu tham số, sau đó dùng Train/Test Split một lần cuối để đánh giá mô hình cuối cùng trên tập kiểm tra hoàn toàn "sạch" và chưa từng được sử dụng trong bất kỳ bước nào trước đó.

### Khi nào cần biết về Phân chia dữ liệu Train/Test Split?

Người làm trong ngành ngân hàng cần nắm vững Train/Test Split trong nhiều tình huống thực tế: khi tham gia phát triển hoặc đánh giá các mô hình AI/ML (chấm điểm tín dụng, phát hiện gian lận, dự đoán churn), khi xây dựng khung quản trị rủi ro mô hình (**Model Risk Management**) theo yêu cầu của Ngân hàng Nhà nước, khi kiểm toán mô hình AI của bên thứ ba cung cấp, hoặc đơn giản là khi ôn thi các chứng chỉ như CDCS hay các khóa đào tạo AI nội bộ của ngân hàng. Đặc biệt, trong các đề thi tuyển dụng chuyên môn phân tích dữ liệu ngân hàng, câu hỏi về Train/Test Split thường xuất hiện dưới dạng tình huống case study yêu cầu thí sinh chọn tỷ lệ phân chia và phương pháp phù hợp cho từng bài toán cụ thể, đi kèm với các câu hỏi về xử lý dữ liệu mất cân bằng và đánh giá hiệu suất mô hình bằng các chỉ số phù hợp.

### Phân chia dữ liệu Train/Test Split ảnh hưởng thế nào đến khách hàng?

Train/Test Split ảnh hưởng gián tiếp nhưng sâu sắc đến trải nghiệm khách hàng ngân hàng: một mô hình được kiểm định đúng cách nhờ Train/Test Split sẽ đưa ra quyết định chính xác hơn — phê duyệt khoản vay nhanh chóng cho khách hàng uy tín (giảm thời gian chờ từ 5 ngày xuống 30 phút nhờ hệ thống chấm điểm tự động), phát hiện và ngăn chặn giao dịch gian lận kịp thời trước khi tiền bị mất (bảo vệ tài khoản khách hàng 24/7), và đề xuất các sản phẩm ngân hàng phù hợp với nhu cầu thực tế (gợi ý thẻ tín dụng, gói tiết kiệm, khoản vay mua nhà đúng nhu cầu). Ngược lại, nếu mô hình không được kiểm định đúng — ví dụ dùng cùng một tập dữ liệu cho cả huấn luyện và kiểm tra — sẽ dẫn đến những quyết định sai lệch nghiêm trọng, gây phiền toái cho khách hàng (bị từ chối khoản vay oan, bị khóa thẻ không lý do, bị gọi điện tư vấn sản phẩm không phù hợp) và tổn thất tài chính cho cả khách hàng lẫn ngân hàng.

## Tổng kết

Phân chia dữ liệu Train/Test Split là kiến thức nền tảng không thể thiếu đối với bất kỳ ai làm việc trong lĩnh vực AI/ML ngân hàng — từ Data Scientist, Risk Analyst, chuyên viên quản trị rủi ro mô hình, cho đến các cán bộ tham gia đánh giá và phê duyệt mô hình AI tại các ủy ban rủi ro. Kỹ thuật này không chỉ là nghi thức kỹ thuật đơn thuần mà còn là **tấm khiên bảo vệ độ tin cậy của mô hình AI**, đảm bảo mọi quyết định tự động của ngân hàng đều được đánh giá khách quan trước khi tác động đến hàng triệu khách hàng. Việc nắm vững các biến thể (Simple Split, Stratified Split, K-Fold, Time-Based Split), các nguyên tắc bắt buộc (không rò rỉ dữ liệu, cố định random seed, shuffle đúng cách), và các chỉ số đánh giá phù hợp (Accuracy, Precision, Recall, F1-Score, AUC-ROC) sẽ giúp ứng viên tự tin trong các kỳ thi tuyển dụng ngân hàng, đồng thời xây dựng nền tảng vững chắc cho sự nghiệp AI trong ngành tài chính — nơi mà độ chính xác của một dự đoán có thể tạo ra hoặc hủy hoại niềm tin của hàng triệu người dùng. Hãy nhớ rằng, trong ngành ngân hàng, một mô hình AI sai không chỉ là lỗi kỹ thuật — đó là rủi ro tuân thủ, rủi ro danh tiếng, và rủi ro tài chính trực tiếp đến sự an toàn của tổ chức và khách hàng.

## 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.
- [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.
- [Dự đoán khách hàng rời bỏ](https://vieclam.nganhang.com/thuat-ngu/du-doan-khach-hang-roi-bo-la-gi) — Mô hình phân tích dự đoán khách hàng có khả năng ngừng sử dụng dịch vụ ngân hàng, giúp triển khai chiến dịch giữ chân kịp thời.
- [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…
- [Nhà khoa học dữ liệu](https://vieclam.nganhang.com/thuat-ngu/nha-khoa-hoc-du-lieu-la-gi) — Chuyên gia kết hợp thống kê, lập trình và kiến thức nghiệp vụ ngân hàng để xây dựng mô hình phân tích và ra quyết định dựa trên dữ liệu.
- [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.
- [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.
- [Tiền xử lý dữ liệu](https://vieclam.nganhang.com/thuat-ngu/tien-xu-ly-du-lieu-la-gi) — Bước làm sạch, chuẩn hóa và biến đổi dữ liệu thô thành định dạng phù hợp để huấn luyện mô hình học máy trong ngân hàng.