# AUC-PR đánh giá mô hình bất cân bằng

Tiếng Anh: Precision-Recall AUC

Diện tích dưới đường cong Precision-Recall phù hợp đánh giá mô hình tín dụng có tỷ lệ vỡ nợ rất thấp trong dữ liệu.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/auc-pr-danh-gia-mo-hinh-bat-can-bang-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AUC-PR đánh giá mô hình bất cân bằng là gì?

**AUC-PR** (viết tắt của **Precision-Recall AUC**, tức diện tích dưới đường cong Precision-Recall) là một chỉ số đo lường quan trọng trong lĩnh vực học máy (**Machine Learning**) và khoa học dữ liệu (**Data Science**), được thiết kế đặc biệt để đánh giá chất lượng của các mô hình phân loại nhị phân (**binary classification**) trong những bài toán có dữ liệu mất cân bằng nghiêm trọng (**imbalanced dataset**). Khác với chỉ số **AUC-ROC** truyền thống, **AUC-PR** tập trung vào mối quan hệ giữa hai đại lượng cốt lõi là **Precision** (độ chính xác) và **Recall** (độ nhạy hay độ bao phủ), qua đó phản ánh trung thực hơn hiệu suất phát hiện lớp dương tính hiếm gặp — điều rất phổ biến trong nghiệp vụ ngân hàng như phát hiện gian lận, vỡ nợ tín dụng hay rửa tiền.

Về mặt toán học, **Precision** được tính bằng công thức **TP/(TP+FP)**, trong đó **TP** là số trường hợp dương tính thực sự được dự đoán đúng, còn **FP** là số trường hợp âm tính bị dự đoán nhầm thành dương tính. **Recall** được tính bằng **TP/(TP+FN)**, với **FN** là số trường hợp dương tính thực sự nhưng bị mô hình bỏ sót. Đường cong **Precision-Recall** được tạo ra bằng cách thay đổi ngưỡng phân loại (**threshold**) từ 0 đến 1, ghi nhận từng cặp giá trị Precision-Recall tương ứng, sau đó tính diện tích nằm dưới đường cong này — chính là giá trị **AUC-PR**. Giá trị này dao động từ 0 đến 1, trong đó mức càng gần 1 thể hiện mô hình càng có khả năng phân biệt xuất sắc giữa hai lớp.

Điểm khác biệt then chốt giữa **AUC-PR** và **AUC-ROC** nằm ở chỗ: trong khi **AUC-ROC** sử dụng trục hoành là **False Positive Rate (FPR)** — tỷ lệ bị đánh nhầm trên tổng số lớp âm — thì **AUC-PR** không đề cập đến **True Negative** (số âm tính thực sự). Khi tỷ lệ lớp âm quá lớn (ví dụ: 99% giao dịch là hợp lệ, chỉ 1% là gian lận), **FPR** sẽ bị "pha loãng" và cho kết quả lạc quan giả, trong khi **Precision** vẫn phản ánh đúng thực tế vì mẫu số chỉ bao gồm các trường hợp được dự đoán là dương tính. Chính vì vậy, **AUC-PR** được xem là "chuẩn vàng" cho các bài toán có tỷ lệ sự kiện hiếm (**rare event**), đặc biệt trong ngành ngân hàng và tài chính.

**Thuật ngữ tiếng Anh:** Precision-Recall AUC (PR-AUC)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

Để hiểu rõ bản chất của **AUC-PR**, người học cần nắm vững các đặc điểm và cách phân loại sau đây:

**1. Đặc điểm cốt lõi của AUC-PR:**

- **Phạm vi giá trị:** Từ 0 đến 1, không âm. Giá trị càng cao, mô hình càng tốt.
- **Baseline quan trọng:** Khác với **AUC-ROC** có baseline là 0,5 (tương ứng với mô hình ngẫu nhiên), baseline của **AUC-PR** chính bằng tỷ lệ lớp dương (ví dụ: nếu tỷ lệ gian lận là 1% thì baseline = 0,01). Điều này có nghĩa mô hình phải vượt qua ngưỡng baseline rất thấp mới được coi là có giá trị.
- **Không phụ thuộc vào True Negative:** Không giống các chỉ số dựa trên ma trận nhầm lẫn (**confusion matrix**) khác, **AUC-PR** chỉ tập trung vào lớp dương, giúp phản ánh đúng giá trị của việc phát hiện sự kiện hiếm.
- **Đánh giá toàn diện ở nhiều ngưỡng:** Không giống F1-score chỉ đánh giá ở một ngưỡng cố định, **AUC-PR** cho cái nhìn tổng quát về hiệu suất mô hình ở mọi ngưỡng quyết định.

**2. Phân loại các phương pháp tính AUC-PR:**

| Phương pháp | Đặc điểm | Ưu điểm | Hạn chế |
|---|---|---|---|
| **Trapezoidal Rule** (hình thang) | Tính diện tích bằng cách nối các điểm liên tiếp trên đường cong | Đơn giản, dễ triển khai | Ước lượng có sai số khi đường cong không trơn |
| **Interpolated Average Precision** | Nội suy giá trị Precision tại các mức Recall | Ổn định hơn phương pháp hình thang | Có thể đánh giá quá cao mô hình |
| **Average Precision (AP)** | Trung bình Precision tại các ngưỡng khác nhau | Phổ biến trong thư viện scikit-learn | Nhạy cảm với cách chọn ngưỡng |
| **Breiman's Bound** | Sử dụng cận trên dựa trên ROC | Có cơ sở lý thuyết chặt chẽ | Ít được sử dụng trong thực tế |

**3. Ngưỡng đánh giá chất lượng mô hình (theo thông lệ ngành):**

| Giá trị AUC-PR | Đánh giá | Ý nghĩa trong ngân hàng |
|---|---|---|
| < 0,3 | Kém | Mô hình không đủ tin cậy để vận hành |
| 0,3 – 0,5 | Trung bình yếu | Cần cải thiện đáng kể |
| 0,5 – 0,7 | Chấp nhận được | Có thể triển khai thử nghiệm |
| 0,7 – 0,8 | Tốt | Phù hợp cho nhiều bài toán nghiệp vụ |
| 0,8 – 0,9 | Rất tốt | Đạt chuẩn ngân hàng lớn |
| ≥ 0,9 | Xuất sắc | Hiếm gặp, thường ở bài toán có tín hiệu rõ ràng |

## 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 triển khai dự án xây dựng mô hình dự báo khách hàng vỡ nợ trong vòng 12 tháng tới trên tập dữ liệu gồm 500.000 hồ sơ tín dụng cá nhân, trong đó chỉ có khoảng 7.500 trường hợp vỡ nợ (tỷ lệ 1,5%). Đội ngũ Data Scientist sử dụng mô hình **XGBoost** với 120 đặc trưng (**features**) như thu nhập, lịch sử tín dụng, độ tuổi, ngành nghề... Sau khi huấn luyện, kết quả thu được là **AUC-ROC = 0,89** và **AUC-PR = 0,42**. Nếu chỉ nhìn vào **AUC-ROC**, mô hình có vẻ rất tốt. Tuy nhiên, **AUC-PR = 0,42** mới phản ánh đúng rằng với tỷ lệ vỡ nợ chỉ 1,5%, mô hình vẫn còn khá nhiều dư địa để cải thiện khả năng phát hiện chính xác các hồ sơ rủi ro. Đội ngũ sau đó đã áp dụng kỹ thuật **SMOTE** (Synthetic Minority Over-sampling Technique) để cân bằng dữ liệu huấn luyện và tinh chỉnh siêu tham số (**hyperparameter tuning**), đưa **AUC-PR** lên mức 0,61 — tăng 45% hiệu quả phát hiện vỡ nợ thực tế.

**Ví dụ 2: Hệ thống phát hiện gian lận thẻ tín dụng tại Ngân hàng B**

Ngân hàng B vận hành hệ thống giám sát giao dịch thẻ tín dụng với khoảng 12 triệu giao dịch mỗi ngày, trong đó tỷ lệ giao dịch gian lận chỉ chiếm 0,08% (khoảng 9.600 giao dịch). Đội ngũ phòng chống gian lận sử dụng mô hình **LightGBM** kết hợp với các đặc trưng hành vi giao dịch (địa điểm, tần suất, số tiền, thiết bị...). Khi đánh giá trên tập kiểm tra, mô hình cho **AUC-PR = 0,76** tại ngưỡng threshold = 0,85. Nhờ chỉ số này, Ngân hàng B có thể thiết lập ngưỡng cảnh báo tự động phù hợp: trong 1.000 giao dịch được đánh dấu nghi ngờ, có khoảng 760 trường hợp thực sự là gian lận, giúp giảm thiểu việc làm phiền khách hàng hợp lệ đồng thời không bỏ sót các giao dịch bất thường. Nếu chỉ dùng **AUC-ROC** (đạt 0,95), ngân hàng sẽ có ấn tượng sai lầm rằng mô hình gần như hoàn hảo, dẫn đến việc không đầu tư thêm nguồn lực cải thiện.

**Ví dụ 3: Phân loại giao dịch rửa tiền tại Ngân hàng C**

Tuân thủ quy định phòng chống rửa tiền (**AML - Anti-Money Laundering**), Ngân hàng C triển khai mô hình học sâu (**Deep Learning**) dạng mạng nơ-ron tích chập (**CNN - Convolutional Neural Network**) kết hợp **LSTM** (Long Short-Term Memory) để phân tích chuỗi giao dịch. Trên tập dữ liệu gồm 2 triệu giao dịch với 800 trường hợp nghi ngờ rửa tiền (tỷ lệ 0,04% — cực kỳ mất cân bằng), mô hình đạt **AUC-PR = 0,68** so với baseline 0,0004. Chỉ số này giúp Ngân hàng C ưu tiên điều tra các trường hợp có xác suất rửa tiền cao nhất, tối ưu hóa nguồn lực tuân thủ và đáp ứng yêu cầu báo cáo của Ngân hàng Nhà nước với độ chính xác cao hơn 3 lần so với phương pháp dựa trên quy tắc cứng (**rule-based**).

## AUC-PR đánh giá mô hình bất cân bằng trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Precision-Recall AUC (PR-AUC) | /prɪˈsɪʒən rɪˈkɔːl ˌeɪ juː ˌsiː/ |
| Tiếng Nhật | 適合率-再現率AUC (PR-AUC) | tekigōritsu-saigenritsu AUC |
| Tiếng Hàn | 정밀도-재현율 AUC | jeongmildo-jaehyeonryul AUC |
| Tiếng Trung | 精确率-召回率曲线下面积 | jīngquè lǜ zhàohú lǜ qūxiàn xià miànjī |
| Tiếng Tây Ban Nha | Área bajo la curva de Precisión-Exhaustividad | /aˈɾea baˈxo la ˈkuɾβa ðe pɾeθiˈsjon eksaustiβiˈðað/ |

## Câu hỏi thường gặp

### AUC-PR khác gì AUC-ROC?

**AUC-PR** và **AUC-ROC** đều đo lường khả năng phân biệt của mô hình phân loại nhị phân, nhưng khác nhau ở trọng tâm đánh giá: **AUC-ROC** sử dụng trục **False Positive Rate** nên phù hợp với dữ liệu cân bằng tương đối (tỷ lệ hai lớp gần 50:50), trong khi **AUC-PR** tập trung vào **Precision** và **Recall** của lớp dương, phù hợp hơn với bài toán mất cân bằng nghiêm trọng (tỷ lệ 1:100 trở lên). Trong ngân hàng, gần như mọi bài toán phát hiện sự kiện hiếm như gian lận, vỡ nợ, rửa tiền đều nên ưu tiên **AUC-PR** vì nó phản ánh trung thực hiệu quả phát hiện thực tế thay vì bị "pha loãng" bởi lượng lớn trường hợp âm tính.

### Khi nào cần biết về AUC-PR?

Người làm trong lĩnh vực ngân hàng cần nắm vững **AUC-PR** khi tham gia xây dựng, kiểm định hoặc giám sát các mô hình **Machine Learning** phục vụ chấm điểm tín dụng (**credit scoring**), phát hiện gian lận (**fraud detection**), phòng chống rửa tiền (**AML**), quản trị rủi ro mô hình (**Model Risk Management - MRM**), hoặc khi ôn thi các chứng chỉ phân tích dữ liệu như **FRM** (Financial Risk Manager), **CFA** và các kỳ thi tuyển dụng ngân hàng về vị trí Data Analyst, Data Scientist, Risk Analyst. Đặc biệt, theo quy định của Ngân hàng Nhà nước về kiểm định mô hình, **AUC-PR** là một trong những chỉ số quan trọng cần được trình bày trong hồ sơ kiểm định (**Model Validation**) trước khi đưa mô hình vào vận hành thực tế.

### AUC-PR ảnh hưởng thế nào đến khách hàng?

**AUC-PR** gián tiếp ảnh hưởng đến trải nghiệm khách hàng thông qua chất lượng quyết định của mô hình: khi mô hình có **AUC-PR** cao, ngân hàng phát hiện chính xác hơn các giao dịch gian lận, bảo vệ tài khoản khách hàng tốt hơn; đồng thời giảm thiểu cảnh báo sai (**false positive**) gây phiền toái như khóa thẻ không cần thiết hay từ chối giao dịch hợp lệ. Về phía tín dụng, mô hình có **AUC-PR** tốt giúp đánh giá đúng khách hàng có rủi ro vỡ nợ, từ đó mở rộng tín dụng cho người đủ năng lực trả nợ và hạn chế cấp tín dụng cho người có khả năng vỡ nợ cao — qua đó góp phần ổn định hệ thống tài chính và bảo vệ lợi ích người gửi tiền.

## Tổng kết

**AUC-PR** là chỉ số đo lường không thể thiếu trong bối cảnh ngân hàng hiện đại khi hầu hết các bài toán phân loại đều liên quan đến sự kiện hiếm với dữ liệu mất cân bằng nghiêm trọng. Với khả năng phản ánh trung thực hiệu suất phát hiện lớp dương tính ở mọi ngưỡng quyết định, **AUC-PR** giúp các ngân hàng đánh giá chính xác hơn chất lượng mô hình so với **AUC-ROC** truyền thống. Đối với ứng viên ôn thi tuyển dụng ngân hàng, việc nắm vững khái niệm, cách tính, ngưỡng đánh giá và ứng dụng thực tiễn của **AUC-PR** không chỉ giúp hoàn thành tốt bài thi mà còn là nền tảng quan trọng để làm việc hiệu quả trong môi trường tài chính ngày càng phụ thuộc vào 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.
- [Giám sát giao dịch](https://vieclam.nganhang.com/thuat-ngu/giam-sat-giao-dich-la-gi) — Quá trình theo dõi giao dịch liên tục nhằm phát hiện dấu hiệu bất thường và gian lận.
- [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.
- [Kiểm định mô hình](https://vieclam.nganhang.com/thuat-ngu/kiem-dinh-mo-hinh-la-gi) — Quy trình độc lập đánh giá tính đúng đắn, ổn định và phù hợp của mô hình trước khi đưa vào sử dụng chính thức tại 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.
- [Phân tích dữ liệu lớn](https://vieclam.nganhang.com/thuat-ngu/phan-tich-du-lieu-lon-la-gi) — Phân tích dữ liệu lớn là quá trình khai thác, xử lý và phân tích các tập dữ liệu có khối lượng, tốc độ và đa dạng cao để rút ra thông tin giá trị cho ngân hàng.
- [Phòng chống gian lận](https://vieclam.nganhang.com/thuat-ngu/phong-chong-gian-lan-la-gi) — Hệ thống quy trình và công nghệ ngân hàng nhằm ngăn chặn giao dịch gian lận.
- [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.