# AI Underfitting dưới khớp

Tiếng Anh: Underfitting

Mô hình quá đơn giản không nắm bắt được mối quan hệ trong dữ liệu, làm giảm độ chính xác của hệ thống dự báo rủi ro tín dụng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-underfitting-duoi-khop-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI Underfitting (Dưới khớp) là gì?

**Dưới khớp (Underfitting)** là hiện tượng xảy ra khi một mô hình **trí tuệ nhân tạo (AI – Artificial Intelligence)** hoặc **máy học (Machine Learning)** có độ phức tạp quá thấp so với tính chất của tập dữ liệu, khiến mô hình không thể nắm bắt được các mối quan hệ, xu hướng hay đặc trưng quan trọng ẩn bên trong dữ liệu huấn luyện. Hệ quả trực tiếp là mô hình đưa ra các dự báo sai lệch lớn, ngay cả khi đánh giá trên chính những dữ liệu mà nó đã được "học", dẫn đến độ chính xác tổng thể suy giảm nghiêm trọng và mất khả năng ứng dụng trong thực tế.

Về bản chất toán học, một mô hình bị dưới khớp khi hàm dự đoán của nó quá đơn giản để có thể biểu diễn các quy luật phi tuyến, các tương tác đa biến phức tạp hoặc những đặc trưng tiềm ẩn trong dữ liệu tài chính – ngân hàng. Ví dụ điển hình: việc sử dụng mô hình **hồi quy tuyến tính (Linear Regression)** để dự báo xác suất vỡ nợ trên một tập dữ liệu có nhiều biến phi tuyến (như thu nhập, lịch sử tín dụng, hành vi chi tiêu, ngành nghề, vùng miền…) sẽ tạo ra một đường dự đoán thẳng, không thể bám sát phân bố thực tế. Mô hình lúc này giống như cố nhét một đường cong phức tạp vào một chiếc khung thẳng cứng nhắc – kết quả là sai số lớn ở mọi nơi. Để nhận biết hiện tượng này, các nhà khoa học dữ liệu thường đánh giá đồng thời hai chỉ số: **sai số huấn luyện (Training Error)** và **sai số kiểm định (Validation Error)**. Nếu cả hai đều ở mức cao và có xu hướng song song, mô hình rất có khả năng đang bị dưới khớp.

Các biện pháp khắc phục dưới khớp phổ biến bao gồm: tăng độ phức tạp của mô hình (ví dụ chuyển từ hồi quy tuyến tính sang **Random Forest**, **Gradient Boosting** hoặc **mạng nơ-ron sâu – Deep Neural Network**), bổ sung thêm biến đầu vào có tính phân biệt cao hơn (feature engineering), kéo dài thời gian huấn luyện, hoặc giảm cường độ điều chuẩn (**Regularization**) nếu đang đặt quá nặng. Dưới khớp là một trong hai vấn đề cốt lõi của học máy, đối lập với **quá khớp (Overfitting)**, và mục tiêu của người xây dựng mô hình là tìm kiếm trạng thái cân bằng tối ưu giữa hai cực trị này – hay còn gọi là **điểm cân bằng sai số – phương sai (Bias-Variance Tradeoff)**.

**Thuật ngữ tiếng Anh:** Underfitting
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

---

## Đặc điểm và phân loại

Dưới khớp có thể được nhận diện thông qua nhiều dấu hiệu đặc trưng và được phân loại theo nhiều tiêu chí khác nhau. Bảng dưới đây tổng hợp các đặc điểm nhận biết và phân loại phổ biến:

| **Tiêu chí** | **Đặc điểm của Dưới khớp** | **Ghi chú nhận biết** |
|---|---|---|
| Sai số trên tập huấn luyện | Cao | Mô hình không học được quy luật dù đã thấy dữ liệu |
| Sai số trên tập kiểm tra | Cao | Khả năng tổng quát hóa kém |
| Độ phức tạp mô hình | Quá thấp | Số lượng tham số không đủ để biểu diễn dữ liệu |
| Đặc trưng đầu vào | Ít hoặc thiếu tính phân biệt | Không nắm bắt được các biến quan trọng |
| Biểu đồ đường cong học | Hai đường training/validation gần nhau và cao | Đặc trưng cho Underfitting |
| Bias (độ chệch) | Cao | Mô hình có xu hướng bỏ sót quy luật |
| Variance (phương sai) | Thấp | Mô hình ổn định nhưng dự đoán sai đều |

**Phân loại dưới khớp theo nguyên nhân:**

- **Dưới khớp do mô hình quá đơn giản:** Sử dụng hồi quy tuyến tính cho dữ liệu có quan hệ bậc hai, bậc ba hoặc phi tuyến. Ví dụ: dùng hàm bậc nhất để dự đoán đường cong lợi suất trái phiếu.
- **Dưới khớp do thiếu đặc trưng (features):** Bỏ qua các biến quan trọng như lịch sử giao dịch, hành vi khách hàng, thông tin thay thế (alternative data).
- **Dưới khớp do điều chuẩn quá mạnh:** Áp dụng **L1/L2 Regularization** với hệ số lambda quá lớn khiến mô hình bị "nén" quá mức.
- **Dưới khớp do thời gian huấn luyện chưa đủ:** Mô hình chưa hội tụ (converge), đặc biệt với mạng nơ-ron sâu.
- **Dưới khớp do dữ liệu nhiễu hoặc chất lượng kém:** Mô hình không tách được tín hiệu khỏi nhiễu, dẫn đến học sai quy luật.

**Các dấu hiệu cảnh báo sớm:**

- Độ chính xác (**Accuracy**) trên tập huấn luyện dưới 70% đối với bài toán phân loại nhị phân.
- Chỉ số **R²** dưới 0.5 đối với bài toán hồi quy.
- Sai số tuyệt đối trung bình (**MAE – Mean Absolute Error**) lớn hơn 20% so với giá trị trung bình của biến mục tiêu.

---

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Mô hình chấm điểm tín dụng cá nhân

Ngân hàng A triển khai hệ thống chấm điểm tín dụng (**Credit Scoring**) cho khách hàng cá nhân, nhưng ban đầu chỉ sử dụng 3 biến đầu vào: thu nhập hàng tháng, thời gian làm việc tại đơn vị hiện tại, và độ tuổi. Mô hình sử dụng là **hồi quy logistic (Logistic Regression)** – một thuật toán khá đơn giản. Kết quả thử nghiệm trên 50.000 hồ sơ cho thấy:

- Độ chính xác dự đoán khả năng vỡ nợ trong 12 tháng chỉ đạt **62%**
- Tỷ lệ phê duyệt sai (cấp tín dụng cho khách hàng có rủi ro cao) là **18%**
- Tỷ lệ từ chối oan (từ chối khách hàng tốt) lên tới **23%**

Đây chính là biểu hiện điển hình của dưới khớp: mô hình quá đơn giản để nắm bắt các yếu tố phức tạp như lịch sử giao dịch trên ứng dụng ngân hàng số, tần suất sử dụng thẻ tín dụng, hành vi thanh toán các khoản vay trước đây, hay dữ liệu từ các nguồn thay thế như điểm tín nhiệm trên nền tảng thương mại điện tử. Sau khi bổ sung thêm 12 biến đặc trưng mới và chuyển sang mô hình **XGBoost** (dạng Gradient Boosting), độ chính xác tăng lên **84%**, tỷ lệ phê duyệt sai giảm xuống còn **7%**.

### Ví dụ 2: Hệ thống phát hiện gian lận thẻ tín dụng

Ngân hàng B vận hành hệ thống phát hiện gian lận (**Fraud Detection**) xử lý khoảng 2,3 triệu giao dịch thẻ mỗi ngày. Ban đầu, họ sử dụng mô hình cây quyết định đơn (**Decision Stump**) với chỉ 2 quy tắc: giao dịch > 50 triệu VND hoặc giao dịch ở nước ngoài sẽ được cảnh báo. Kết quả là:

- Tỷ lệ gian lận bị bỏ sót (**False Negative Rate**) lên tới **41%**
- Mỗi tháng ngân hàng thiệt hại trung bình **28 tỷ VND** do các vụ rửa tiền và đánh cắp thẻ không được phát hiện
- Các đường dây rửa tiền phức tạp, chia nhỏ giao dịch thành nhiều lần 3-5 triệu VND, hoàn toàn "qua mặt" được mô hình

Đây là tình trạng dưới khớp nghiêm trọng vì mô hình không đủ khả năng học các pattern phi tuyến, chuỗi hành vi bất thường theo thời gian hay tương quan giữa các giao dịch. Khi chuyển sang mô hình **mạng nơ-ron tích chập – LSTM (Long Short-Term Memory)** kết hợp 47 đặc trưng, tỷ lệ bỏ sót gian lận giảm xuống còn **6%**, giúp ngân hàng tiết kiệm khoảng **240 tỷ VND** mỗi năm.

### Ví dụ 3: Dự báo rủi ro tín dụng doanh nghiệp vừa và nhỏ

Khách hàng B là một doanh nghiệp vừa và nhỏ (**SME**) hoạt động trong ngành nông sản, có doanh thu dao động mạnh theo mùa vụ (cao điểm tháng 9-12, thấp điểm tháng 3-5). Ngân hàng C sử dụng mô hình hồi quy tuyến tính đơn giản chỉ dựa trên báo cáo tài chính 2 năm gần nhất để đánh giá rủi ro. Mô hình này **dưới khớp** nặng nề vì không tính đến:

- Yếu tố mùa vụ trong dòng tiền
- Biến động giá nguyên liệu đầu vào
- Rủi ro thời tiết, thiên tai
- Lịch sử trả nợ với các tổ chức tín dụng khác

Hệ quả: Khách hàng B bị từ chối cho vay 5 tỷ VND dù thực tế có dòng tiền ổn định và lịch sử tín dụng tốt. Trong khi đó, một doanh nghiệp khác có báo cáo tài chính "đẹp" trên giấy nhưng thực chất đang thao túng số liệu lại được phê duyệt. Sau khi ngân hàng nâng cấp lên mô hình **LightGBM** với 28 biến, bao gồm dữ liệu thay thế từ hải quan, sàn thương mại điện tử, tỷ lệ phê duyệt chính xác tăng từ **65% lên 87%**.

---

## Dưới khớp trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Underfitting | /ˌʌndərˈfɪtɪŋ/ |
| Tiếng Nhật | アンダーフィッティング (Andāfittingu) | /aɴdaːfiʦːiɴɡɯ/ |
| Tiếng Hàn | 과소적합 (Gwasojeokhap) | /kwa.so.tʃʌk.ʨap̚/ |
| Tiếng Trung | 欠拟合 (Qiàn nǐ hé) | /tɕʰjɛn˥˩ ni˨˩˦ xɤ˧˥/ |
| Tiếng Tây Ban Nha | Subajuste | /suβaˈxuste/ |

---

## Câu hỏi thường gặp

### Dưới khớp (Underfitting) khác gì Quá khớp (Overfitting)?

Dưới khớp và Quá khớp là hai hiện tượng đối lập trong học máy. **Dưới khớp** xảy ra khi mô hình quá đơn giản, sai số cao trên cả tập huấn luyện lẫn tập kiểm tra, độ chệch (Bias) lớn nhưng phương sai (Variance) nhỏ. Ngược lại, **Quá khớp** xảy ra khi mô hình quá phức tạp, sai số trên tập huấn luyện rất thấp nhưng sai số trên tập kiểm tra lại cao – mô hình "học thuộc" dữ liệu huấn luyện nhưng mất khả năng tổng quát hóa. Cách phân biệt nhanh nhất là vẽ đường cong học (Learning Curve): dưới khớp cho hai đường training/validation cao và gần nhau, trong khi quá khớp cho đường training rất thấp nhưng đường validation cao và có khoảng cách lớn.

### Khi nào cần biết về Dưới khớp trong thực tế ngân hàng?

Kiến thức về dưới khớp đặc biệt cần thiết trong ba tình huống chính. **Thứ nhất**, khi xây dựng hoặc đánh giá mô hình chấm điểm tín dụng (Credit Scoring), mô hình phát hiện gian lận (Fraud Detection), hoặc mô hình phân khúc khách hàng (Customer Segmentation). **Thứ hai**, khi triển khai các giải pháp AI theo Quyết định 2345/QĐ-NHNN của Ngân hàng Nhà nước – vốn yêu cầu đánh giá định kỳ chất lượng mô hình, bao gồm phát hiện và xử lý dưới khớp/quá khớp. **Thứ ba**, khi tham gia các kỳ thi tuyển dụng vào vị trí chuyên viên Phân tích dữ liệu, Quản trị rủi ro, hay AI Engineer tại ngân hàng – dưới khớp là câu hỏi thường xuyên xuất hiện.

### Dưới khớp ảnh hưởng thế nào đến khách hàng và ngân hàng?

Dưới khớp gây ra nhiều hệ quả nghiêm trọng. Đối với **khách hàng**, nhiều người có hồ sơ tài chính tốt nhưng phức tạp (doanh nghiệp mùa vụ, freelancer, người làm việc trong nền kinh tế chia sẻ) sẽ bị từ chối tín dụng oan, ảnh hưởng đến khả năng tiếp cận vốn. Đối với **ngân hàng**, mô hình dưới khớp đồng nghĩa với việc phê duyệt tín dụng cho đối tượng rủi ro cao, làm tăng tỷ lệ nợ xấu (NPL), hoặc bỏ sót giao dịch gian lận dẫn đến thiệt hại tài chính trực tiếp. Ngoài ra, mô hình dưới khớp còn vi phạm yêu cầu về khả năng giải thích (Explainability) và quản trị rủi ro mô hình theo quy định của Ngân hàng Nhà nước, có thể dẫn đến các biện pháp xử phạt hành chính.

---

## Tổng kết

**Dưới khớp (Underfitting)** là một trong những vấn đề cốt lõi mà bất kỳ ai làm việc với **AI** và **Machine Learning** trong ngân hàng đều phải hiểu rõ và xử lý thành thạo. Đây là hiện tượng mô hình quá đơn giản để nắm bắt tính chất phức tạp của dữ liệu tài chính, dẫn đến sai số cao trên cả tập huấn luyện và kiểm tra. Trong bối cảnh ngân hàng số ngày càng phát triển tại Việt Nam – nơi các ngân hàng đang ứng dụng AI vào chấm điểm tín dụng, phát hiện gian lận, phân tích rủi ro và cá nhân hóa sản phẩm – việc nhận biết và khắc phục dưới khớp không chỉ giúp nâng cao hiệu quả kinh doanh mà còn đảm bảo tuân thủ các quy định của Ngân hàng Nhà nước về quản trị rủi ro công nghệ thông tin. Đối với người ôn thi tuyển dụng ngân hàng, nắm vững khái niệm này cùng với **quá khớp (Overfitting)** và **đánh đổi Bias-Variance** sẽ là nền tảng vững chắc để đạt điểm cao trong các phần thi liên quan đến phân tích dữ liệu và trí tuệ nhân tạo.

## 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.
- [Gradient boosting](https://vieclam.nganhang.com/thuat-ngu/gradient-boosting-la-gi) — Thuật toán xây dựng cây quyết định tuần tự, mỗi cây sau sửa lỗi cây trước, được ứng dụng rộng rãi trong chấm điểm tín dụng và phát hiện gian lận ngân hàng.
- [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…
- [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…
- [Ứng dụng ngân hàng số](https://vieclam.nganhang.com/thuat-ngu/ung-dung-ngan-hang-so-la-gi) — Phần mềm cài trên điện thoại thông minh giúp khách hàng thực hiện giao dịch ngân hàng mọi lúc mọi nơi. Là kênh giao dịch chính trong chiến lược ngân hàng số củ…