Trả lời nhanh: Unsupervised learning (học không giám sát) là nhánh học máy trong đó thuật toán chỉ nhận dữ liệu đầu vào, không có đáp án đúng đi kèm. Mô hình tự tìm cấu trúc ẩn: gom nhóm các điểm giống nhau, rút gọn số chiều, phát hiện luật kết hợp hoặc điểm bất thường.
Điểm chính
- Học không giám sát làm việc với dữ liệu không nhãn. Kết quả là gợi ý về cấu trúc, con người vẫn phải đặt tên và kiểm chứng ý nghĩa.
- Bốn nhóm bài toán chính: phân cụm (k-means, phân cấp, DBSCAN), giảm chiều (PCA, t-SNE, UMAP), luật kết hợp (Apriori) và phát hiện bất thường (Isolation Forest, LOF).
- Không có nhãn thì không tính được accuracy. Bạn đánh giá bằng chỉ số nội tại như silhouette, độ ổn định và ý kiến người làm nghiệp vụ.
- Chuẩn hoá thang đo dữ liệu thường ảnh hưởng tới kết quả không kém việc chọn thuật toán.
- Phân cụm khách hàng là xử lý dữ liệu cá nhân, phải tuân thủ Luật Bảo vệ dữ liệu cá nhân 91/2025/QH15 (hiệu lực 01/01/2026).
Mục lục
- Unsupervised learning là gì?
- Học không giám sát và có giám sát khác nhau thế nào?
- Học không giám sát giải quyết những bài toán nào?
- Phân cụm (clustering) hoạt động ra sao?
- Giảm chiều dữ liệu là gì và khi nào dùng PCA, t-SNE, UMAP?
- Luật kết hợp (association rules) tìm ra điều gì?
- Phát hiện bất thường không cần nhãn như thế nào?
- Đánh giá mô hình học không giám sát khi không có nhãn bằng cách nào?
- Quy trình triển khai học không giám sát gồm những bước nào?
- Ứng dụng học không giám sát trong doanh nghiệp là gì?
- Ưu và nhược điểm của học không giám sát
- Phân cụm dữ liệu khách hàng cần lưu ý pháp lý gì?
- Câu hỏi thường gặp
Unsupervised learning là gì?
Unsupervised learning, dịch là học không giám sát, là một nhánh chính của học máy (machine learning). Mỗi dòng dữ liệu huấn luyện chỉ có các đặc trưng (feature), không có cột “đáp án đúng” để mô hình đối chiếu.
Vì vậy mục tiêu không phải dự đoán một giá trị cho trước, mà là mô tả dữ liệu: điểm nào giống điểm nào, dữ liệu thực chất nằm trên bao nhiêu chiều, món nào hay đi cùng món nào, điểm nào lệch hẳn khỏi số đông.
Vì sao gọi là “không giám sát”?
“Giám sát” không có nghĩa là có người canh máy. Nó chỉ việc dữ liệu có nhãn (label) hay không. Không có nhãn để chấm bài, thuật toán tối ưu một tiêu chí nội tại: k-means tối thiểu hoá khoảng cách từ điểm tới tâm cụm, PCA tìm các trục giữ nhiều phương sai nhất. Tiêu chí toán học tốt chưa chắc trùng với điều doanh nghiệp quan tâm.
Học không giám sát và có giám sát khác nhau thế nào?
Bài học có giám sát (supervised learning) giải thích kỹ phía có nhãn. Bảng dưới tóm tắt khác biệt chính:
| Tiêu chí | Học có giám sát | Học không giám sát |
|---|---|---|
| Dữ liệu huấn luyện | Đầu vào X kèm nhãn y | Chỉ có đầu vào X |
| Bài toán điển hình | Phân loại, hồi quy | Phân cụm, giảm chiều, luật kết hợp, phát hiện bất thường |
| Cách đánh giá | So với nhãn: accuracy, precision, recall | Chỉ số nội tại, độ ổn định, chuyên gia |
| Chi phí dữ liệu | Cao, vì phải gán nhãn | Thấp hơn, dùng dữ liệu thô sẵn có |
Giữa hai thái cực có các nhánh lai. Học bán giám sát (semi-supervised) dùng ít dữ liệu có nhãn cùng nhiều dữ liệu không nhãn. Học tự giám sát (self-supervised) tự tạo nhãn từ chính dữ liệu, ví dụ che một từ rồi bắt mô hình đoán lại, là cách huấn luyện trước các mô hình ngôn ngữ lớn. Còn học tăng cường (reinforcement learning) học từ phần thưởng khi tương tác với môi trường.
Học không giám sát giải quyết những bài toán nào?
Hầu hết ứng dụng rơi vào bốn nhóm, mỗi nhóm trả về một loại kết quả khác nhau.
Đây cũng là bộ công cụ quen thuộc của khai phá dữ liệu (data mining), nơi chúng được đặt trong quy trình CRISP-DM.
Phân cụm (clustering) hoạt động ra sao?
Phân cụm chia dữ liệu thành các nhóm sao cho điểm cùng nhóm giống nhau hơn điểm khác nhóm, thường đo bằng khoảng cách Euclid. Mỗi thuật toán định nghĩa “cụm” theo cách riêng.
K-means: thuật toán phân cụm phổ biến nhất
K-means chia dữ liệu thành k cụm, mỗi cụm có một tâm (centroid). Thuật toán lặp bốn bước:
- Chọn k và khởi tạo k tâm ban đầu.
- Gán điểm vào tâm gần nhất.
- Cập nhật tâm bằng trung bình cộng các điểm trong cụm.
- Lặp lại bước 2 và 3 đến khi phép gán không đổi.
Theo tài liệu scikit-learn, k-means chọn tâm để tối thiểu hoá inertia, tức tổng bình phương khoảng cách trong cụm. Stuart Lloyd ở Bell Labs đề xuất thuật toán chuẩn năm 1957 (đến 1982 mới đăng tạp chí); James MacQueen là người đầu tiên dùng tên “k-means” năm 1967.
Ba hạn chế cần biết:
- Phải chọn k trước. Thuật toán không tự biết dữ liệu có mấy nhóm.
- Phụ thuộc điểm khởi tạo. Bài toán k-means là NP-khó, thuật toán thực tế chỉ hội tụ tới cực trị địa phương. Khởi tạo k-means++ (Arthur và Vassilvitskii, 2007) và chạy nhiều lần giúp giảm rủi ro.
- Giả định cụm “tròn”. Tài liệu scikit-learn nêu rõ inertia giả định cụm lồi, đẳng hướng nên xử lý kém cụm dài hoặc hình dạng bất thường. Tâm là trung bình nên cũng dễ bị điểm ngoại lai kéo lệch.
Ví dụ minh hoạ k-means bằng số
Một cửa hàng có 7 khách với hai đặc trưng: số đơn mỗi tháng và giá trị đơn trung bình (trăm nghìn đồng). Đây là ví dụ minh hoạ, số liệu tự đặt để dễ tính tay.
| Khách | Số đơn/tháng | Giá trị đơn TB | Cách tâm 1 (1; 2) | Cách tâm 2 (8; 9) | Gán vào |
|---|---|---|---|---|---|
| A | 1 | 2 | 0 | 9,90 | Cụm 1 |
| B | 2 | 1 | 1,41 | 10,00 | Cụm 1 |
| C | 1 | 1 | 1,00 | 10,63 | Cụm 1 |
| G | 4 | 5 | 4,24 | 5,66 | Cụm 1 |
| D | 8 | 9 | 9,90 | 0 | Cụm 2 |
| E | 9 | 8 | 10,00 | 1,41 | Cụm 2 |
| F | 8 | 8 | 9,22 | 1,00 | Cụm 2 |
Chọn k = 2, lấy A và D làm tâm ban đầu. Sau vòng gán thứ nhất, cụm 1 gồm A, B, C, G; cụm 2 gồm D, E, F. Tâm mới của cụm 1 là (2; 2,25), của cụm 2 là (8,33; 8,33). Ở vòng hai, G cách tâm 1 khoảng 3,40 và cách tâm 2 khoảng 5,47 nên vẫn ở cụm 1. Không điểm nào đổi cụm, thuật toán dừng.
Kết quả gợi ý hai nhóm “mua ít, đơn nhỏ” và “mua nhiều, đơn lớn”; khách G nằm lưng chừng. Nếu giá trị đơn tính bằng đồng còn số đơn chỉ từ 1 đến 10, khoảng cách gần như chỉ phản ánh giá trị đơn, nên phải chuẩn hoá dữ liệu trước khi chạy k-means.
Chọn số cụm k như thế nào?
- Phương pháp khuỷu tay (elbow): vẽ inertia theo k, chọn điểm đường cong “gãy”. Điểm gãy thường mơ hồ nên chỉ để tham khảo.
- Hệ số silhouette: chọn k cho silhouette trung bình cao (xem phần đánh giá).
- Ràng buộc nghiệp vụ: nếu phòng marketing chỉ vận hành được 4 đến 6 chương trình, k = 20 vô nghĩa dù chỉ số đẹp.
Phân cụm phân cấp (hierarchical clustering)
Phân cụm phân cấp xây cả một cây quan hệ thay vì chia một lần. Dạng phổ biến là gộp dần (agglomerative): mỗi điểm ban đầu là một cụm, rồi liên tục gộp hai cụm gần nhất. Cây kết quả gọi là dendrogram; cắt ở độ cao nào thì được số cụm tương ứng, nên không phải chọn k trước.
“Gần nhau” giữa hai cụm phụ thuộc tiêu chí liên kết (linkage). Scikit-learn hỗ trợ bốn loại: Ward (gộp sao cho tổng bình phương sai lệch trong cụm tăng ít nhất, cho cụm khá đều), complete (khoảng cách xa nhất), average (khoảng cách trung bình) và single (cặp điểm gần nhất, bám được cụm dài nhưng dễ nối nhầm các cụm thành chuỗi). Cách này tốn tài nguyên với dữ liệu lớn nhưng dendrogram rất dễ giải thích.
DBSCAN và HDBSCAN: phân cụm theo mật độ
DBSCAN do Ester, Kriegel, Sander và Xu công bố tại hội nghị KDD năm 1996. Cụm được hiểu là vùng mật độ cao, ngăn cách bởi vùng thưa. Thuật toán dùng hai tham số: eps (bán kính lân cận) và min_samples (số điểm tối thiểu trong bán kính để một điểm thành “điểm lõi”).
Các điểm lõi nối nhau thành cụm. Điểm không phải lõi và cách mọi điểm lõi xa hơn eps bị coi là nhiễu, trong scikit-learn mang nhãn -1. Nhờ vậy DBSCAN không cần chọn k, tìm được cụm hình dạng bất kỳ và tự tách điểm ngoại lai.
Nhược điểm của DBSCAN là một giá trị eps khó phù hợp khi các cụm có mật độ khác nhau. HDBSCAN khắc phục bằng cách xét mọi mức mật độ và chủ yếu chỉ cần chọn min_samples. Thuật toán này đã có trong scikit-learn, dựa trên công trình của McInnes và Healy năm 2017.
| Thuật toán | Cần chọn số cụm? | Hình dạng cụm | Xử lý nhiễu | Khi nào nên dùng |
|---|---|---|---|---|
| K-means | Có | Tròn, kích thước đều | Kém | Dữ liệu lớn, cần nhanh, cụm gọn |
| Phân cấp | Không bắt buộc | Tuỳ linkage | Trung bình | Dữ liệu vừa, cần giải thích bằng cây |
| DBSCAN | Không | Bất kỳ | Tốt, gán nhãn nhiễu | Cụm hình dạng lạ, mật độ tương đối đều |
| HDBSCAN | Không | Bất kỳ | Tốt | Như DBSCAN nhưng mật độ không đều |
Giảm chiều dữ liệu là gì và khi nào dùng PCA, t-SNE, UMAP?
Giảm chiều biến dữ liệu nhiều cột thành ít cột hơn mà vẫn giữ phần lớn thông tin, để vẽ được lên mặt phẳng, giảm nhiễu và cột trùng lặp trước khi huấn luyện mô hình khác.
PCA: phân tích thành phần chính
PCA (Principal Component Analysis) do Karl Pearson đề xuất năm 1901, sau đó Harold Hotelling phát triển độc lập và đặt tên vào những năm 1930. PCA tìm các trục mới vuông góc với nhau, gọi là thành phần chính. Trục thứ nhất là hướng dữ liệu biến thiên nhiều nhất, trục thứ hai biến thiên nhiều thứ nhì, và cứ thế tiếp tục.
Ví dụ minh hoạ: một chuỗi bán lẻ theo dõi 12 chỉ số cho mỗi cửa hàng, nhiều chỉ số tăng giảm cùng nhau. PCA có thể cho thấy hai thành phần đầu, gần với “quy mô cửa hàng” và “hiệu suất trên mỗi khách”, đã giữ phần lớn phương sai. Bạn chuyển từ 12 cột về 2 cột để vẽ và so sánh.
Lưu ý: PCA nhạy với thang đo của biến nên thường phải chuẩn hoá trước; PCA là phép biến đổi tuyến tính nên có thể bỏ sót cấu trúc cong; mỗi thành phần là tổ hợp nhiều cột gốc nên muốn đặt tên phải xem trọng số từng cột.
t-SNE: trực quan hoá cụm lân cận
t-SNE được van der Maaten và Hinton công bố trên Journal of Machine Learning Research năm 2008. Phương pháp này đặt mỗi điểm nhiều chiều lên bản đồ 2 hoặc 3 chiều, cố giữ các điểm vốn gần nhau thì vẫn gần nhau, rất hợp để “nhìn” xem dữ liệu có cụm hay không.
Bài “How to Use t-SNE Effectively” của Wattenberg, Viégas và Johnson trên Distill năm 2016 chỉ ra các bẫy khi đọc biểu đồ t-SNE: kích thước cụm trên biểu đồ không mang ý nghĩa; khoảng cách giữa các cụm có thể không có ý nghĩa; nhiễu ngẫu nhiên đôi khi trông như có cụm; kết quả đổi theo tham số perplexity nên cần thử nhiều giá trị. Hãy dùng t-SNE để khám phá, không dùng làm bằng chứng duy nhất.
UMAP và autoencoder
UMAP (Uniform Manifold Approximation and Projection) do McInnes, Healy và Melville đăng trên arXiv tháng 2/2018. Các tác giả cho biết UMAP cho chất lượng trực quan tương đương t-SNE, giữ nhiều cấu trúc tổng thể hơn, chạy nhanh hơn và không giới hạn số chiều đầu ra. Vì thế UMAP dùng được cả để giảm chiều trước khi phân cụm, ví dụ giảm vector embedding văn bản vài trăm chiều xuống vài chục chiều rồi chạy HDBSCAN để gom chủ đề.
Autoencoder là mạng nơ-ron học nén dữ liệu thành biểu diễn nhỏ rồi giải nén sao cho giống bản gốc nhất; lớp “thắt cổ chai” ở giữa chính là dữ liệu đã giảm chiều. Sai số tái tạo lớn bất thường cũng là dấu hiệu của điểm bất thường.
Luật kết hợp (association rules) tìm ra điều gì?
Luật kết hợp tìm các tập mặt hàng hay xuất hiện cùng nhau trong giao dịch, diễn đạt thành luật “nếu mua A thì hay mua B”. Khái niệm này được Agrawal, Imieliński và Swami giới thiệu năm 1993 cho dữ liệu bán lẻ. Năm 1994, Agrawal và Srikant công bố thuật toán Apriori, xây dần các tập lớn từ các tập nhỏ đã đủ phổ biến. FP-Growth và Eclat là các biến thể hiệu quả hơn.
- Support (độ hỗ trợ): tỷ lệ giao dịch chứa tập mặt hàng.
- Confidence (độ tin cậy): trong các giao dịch có A, bao nhiêu phần có thêm B.
- Lift: confidence chia cho support của B. Lớn hơn 1 là A và B đi cùng nhau nhiều hơn mức ngẫu nhiên; nhỏ hơn 1 là ít hơn.
Ví dụ minh hoạ với 5 hoá đơn của một tiệm tạp hoá: (1) bánh mì, sữa; (2) bánh mì, bơ, sữa; (3) bánh mì, bơ; (4) sữa, ngũ cốc; (5) bánh mì, bơ, sữa.
| Luật | Support | Confidence | Lift | Đọc kết quả |
|---|---|---|---|---|
| Bơ → Bánh mì | 3/5 = 0,6 | 0,6 / 0,6 = 1,00 | 1,00 / 0,8 = 1,25 | Liên kết thật: ai mua bơ đều mua bánh mì |
| Bánh mì → Sữa | 3/5 = 0,6 | 0,6 / 0,8 = 0,75 | 0,75 / 0,8 ≈ 0,94 | Confidence cao nhưng lift dưới 1: sữa vốn bán chạy |
Luật thứ hai có confidence 75% nghe hấp dẫn, nhưng lift dưới 1 cho thấy đó chỉ là hệ quả của việc sữa có mặt trong 80% hoá đơn. Đừng chỉ nhìn confidence.
Luật kết hợp chỉ phản ánh sự đồng xuất hiện, không chứng minh quan hệ nhân quả. Trước khi đổi cách bày hàng hay tạo combo dựa trên một luật, hãy thử nghiệm có nhóm đối chứng (A/B test) để đo tác động thật.
Phát hiện bất thường không cần nhãn như thế nào?
Điểm bất thường hiếm và thay đổi liên tục nên khó gán nhãn đủ cho học có giám sát. Cách không giám sát học hình dạng của dữ liệu “bình thường” rồi chấm điểm mức lệch cho từng điểm.
Tài liệu scikit-learn phân biệt phát hiện ngoại lai (outlier detection, dữ liệu huấn luyện đã lẫn điểm bất thường) với phát hiện điểm mới lạ (novelty detection, dữ liệu huấn luyện sạch, cần kiểm tra quan sát mới). Ba thuật toán phổ biến:
- Isolation Forest (Liu, Ting và Zhou, ICDM 2008): chọn ngẫu nhiên một cột và một ngưỡng cắt để cô lập từng điểm. Điểm bất thường nằm tách biệt nên bị cô lập sau ít lần cắt hơn; độ dài đường đi trung bình trên nhiều cây là điểm số.
- Local Outlier Factor (LOF) (Breunig và cộng sự, ACM SIGMOD 2000): so mật độ cục bộ của một điểm với láng giềng. Điểm thưa hơn hẳn láng giềng là bất thường, kể cả khi không xa trung tâm chung.
- One-Class SVM (Schölkopf và cộng sự, 2001): học một đường biên bao quanh vùng dữ liệu bình thường.
Đầu ra là điểm số, không phải kết luận. Bạn phải chọn ngưỡng, trong scikit-learn thể hiện qua tham số contamination (tỷ lệ bất thường dự kiến). Ngưỡng thấp quá thì báo động giả tràn ngập, cao quá thì bỏ sót. Trong sản xuất, đây là một thành phần của bảo trì dự đoán: dữ liệu rung, nhiệt độ được chấm điểm liên tục, vượt ngưỡng thì kỹ sư kiểm tra.
Đánh giá mô hình học không giám sát khi không có nhãn bằng cách nào?
Đây là phần khó nhất. Không có đáp án nên không tính được accuracy; bạn cần kết hợp bốn lớp đánh giá.
1. Chỉ số nội tại (không cần nhãn)
| Chỉ số | Đo điều gì | Khoảng giá trị | Tốt khi |
|---|---|---|---|
| Silhouette (Rousseeuw, 1987) | So khoảng cách trung bình tới điểm cùng cụm (a) với tới cụm gần nhất khác (b): s = (b − a) / max(a, b) | Từ −1 đến 1 | Gần 1 là tốt; gần 0 là cụm chồng lấn; âm là có thể gán nhầm cụm |
| Davies-Bouldin (1979) | Mức giống nhau trung bình giữa mỗi cụm và cụm giống nó nhất, theo tỷ lệ phân tán trong cụm so với khoảng cách giữa cụm | Từ 0 trở lên | Càng thấp càng tốt |
| Calinski-Harabasz (1974) | Tỷ lệ phân tán giữa các cụm so với phân tán trong cụm | Từ 0 trở lên | Càng cao càng tốt |
Áp vào ví dụ k-means ở trên: với khách A, khoảng cách trung bình tới B, C, G là a ≈ 2,22; tới D, E, F là b ≈ 9,71. Silhouette của A là (9,71 − 2,22) / 9,71 ≈ 0,77, tức A nằm chắc trong cụm. Với khách G: a ≈ 4,57, b ≈ 5,50, silhouette chỉ khoảng 0,17, xác nhận G nằm lưng chừng giữa hai nhóm.
Các chỉ số nội tại dựa trên khoảng cách nên thường “ưu ái” cụm tròn, gọn như của k-means. Với cụm hình dạng bất kỳ từ DBSCAN, silhouette thấp chưa chắc là kết quả kém. Đừng so các thuật toán khác loại chỉ bằng một chỉ số.
2. Chỉ số ngoại tại (khi có một ít nhãn)
Nếu gán nhãn được một mẫu nhỏ, chẳng hạn 300 khách do chuyên viên phân loại tay, hãy so kết quả phân cụm với mẫu đó bằng Adjusted Rand Index (ARI, đã hiệu chỉnh yếu tố ngẫu nhiên), Normalized Mutual Information (NMI) hoặc V-measure. Các chỉ số này chỉ đo hai cách chia có khớp nhau không, không cần mã cụm trùng tên nhãn. Mẫu nhỏ nên được gán theo quy trình gán nhãn dữ liệu có hướng dẫn rõ ràng.
3. Độ ổn định
Cấu trúc thật sẽ xuất hiện lại khi dữ liệu thay đổi nhẹ. Hãy chạy lại với nhiều điểm khởi tạo, lấy mẫu con 80% nhiều lần rồi so kết quả bằng ARI. Cụm thay đổi lung tung là dấu hiệu dữ liệu không có cấu trúc rõ hoặc tham số chưa phù hợp.
4. Đánh giá theo nghiệp vụ
Với mỗi cụm, lập “hồ sơ cụm”: giá trị trung bình từng đặc trưng, vài ví dụ điển hình, quy mô. Rồi hỏi người làm nghiệp vụ: cụm có đặt tên được, đủ khác biệt và đủ lớn để hành động riêng không. Với phát hiện bất thường, cho chuyên gia xem 50 đến 100 trường hợp điểm cao nhất và đếm bao nhiêu trường hợp thật sự đáng ngờ; đó là độ chính xác ở đầu danh sách, con số người vận hành quan tâm nhất.
Quy trình triển khai học không giám sát gồm những bước nào?
- Xác định câu hỏi và hành động: không chỉ “chia khách thành nhóm” mà “chia thành 4 đến 6 nhóm để thiết kế chương trình giữ chân riêng”.
- Chọn và làm sạch đặc trưng: bỏ cột định danh, xử lý giá trị thiếu, cân nhắc lấy log cho cột lệch mạnh như doanh thu.
- Chuẩn hoá thang đo (z-score hoặc min-max); cột phân loại cần mã hoá và thước đo khoảng cách phù hợp.
- Giảm chiều nếu cần bằng PCA hoặc UMAP khi có hàng chục cột tương quan.
- Thử vài thuật toán, vài bộ tham số, đừng gắn bó với k-means chỉ vì quen.
- Đánh giá theo bốn lớp ở mục trên, rồi đặt tên cụm bằng ngôn ngữ kinh doanh.
- Vận hành và theo dõi: gán cụm cho khách mới, theo dõi tỷ lệ mỗi cụm; hành vi thay đổi thì chạy lại.
Ứng dụng học không giám sát trong doanh nghiệp là gì?
Các tình huống dưới đây là ví dụ minh hoạ về cách áp dụng, không gắn với số liệu của doanh nghiệp cụ thể:
| Lĩnh vực | Bài toán | Kỹ thuật phù hợp |
|---|---|---|
| Bán lẻ, thương mại điện tử | Phân khúc khách theo tần suất, giá trị; gợi ý combo | K-means; luật kết hợp |
| Ngân hàng, ví điện tử | Phát hiện giao dịch lạ khi chưa có nhãn gian lận | Isolation Forest, LOF |
| Sản xuất | Cảnh báo sớm hỏng hóc từ dữ liệu cảm biến | Autoencoder, Isolation Forest |
| Chăm sóc khách hàng | Gom hàng nghìn phản hồi, ticket thành chủ đề | Embedding, UMAP, HDBSCAN |
Với phản hồi khách hàng, quy trình hay gặp là: tạo embedding cho từng phản hồi, giảm chiều bằng UMAP, phân cụm bằng HDBSCAN, rồi để mô hình ngôn ngữ tóm tắt mỗi cụm thành một chủ đề cho người duyệt.
Ưu và nhược điểm của học không giám sát
| Ưu điểm | Nhược điểm |
|---|---|
| Dùng dữ liệu thô sẵn có, không tốn chi phí gán nhãn | Không có đáp án để đo, đánh giá phải kết hợp nhiều cách |
| Phát hiện cấu trúc con người chưa nghĩ tới | Dễ “thấy” mẫu hình ở chỗ chỉ là nhiễu |
| Bắt được kiểu bất thường mới chưa từng gán nhãn | Nhạy với chuẩn hoá, chọn đặc trưng và tham số |
Phân cụm dữ liệu khách hàng cần lưu ý pháp lý gì?
Thuật toán không cần nhãn, nhưng dữ liệu đầu vào thường là dữ liệu cá nhân: lịch sử mua hàng, vị trí, hành vi dùng ứng dụng. Phân tích, tổng hợp dữ liệu này là xử lý dữ liệu cá nhân theo Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, ban hành ngày 26/06/2025, hiệu lực từ 01/01/2026.
Điều 30 của Luật quy định riêng cho dữ liệu lớn và trí tuệ nhân tạo: dữ liệu cá nhân phải được xử lý đúng mục đích, giới hạn trong phạm vi cần thiết; hệ thống phải tích hợp biện pháp bảo mật, xác thực, định danh và phân quyền truy cập; xử lý dữ liệu cá nhân bằng trí tuệ nhân tạo phải được phân loại theo mức độ rủi ro. Trong thực tế, hãy bỏ họ tên, số điện thoại, số giấy tờ khỏi tập phân tích, cân nhắc kỹ dữ liệu nhạy cảm và ghi lại mục đích, nguồn dữ liệu, người được truy cập kết quả. Phần này chỉ mang tính tham khảo, không thay thế tư vấn pháp lý.
Câu hỏi thường gặp
Unsupervised learning tiếng Việt là gì?
Là học không giám sát, hay học máy không giám sát: thuật toán học từ dữ liệu chỉ có đầu vào, không có đáp án đúng, để tự tìm cấu trúc như cụm, trục chính, luật kết hợp hoặc điểm bất thường.
Ví dụ học không giám sát dễ hiểu nhất là gì?
Phân khúc khách hàng. Bạn đưa lịch sử mua hàng của hàng nghìn khách vào k-means, thuật toán tự chia thành vài nhóm có hành vi giống nhau mà không cần ai định nghĩa trước các nhóm đó.
K-means là học có giám sát hay không giám sát?
K-means là học không giám sát vì chỉ dùng đặc trưng, không dùng nhãn. Đừng nhầm với k-NN (k láng giềng gần nhất), thuật toán học có giám sát dùng nhãn của các điểm lân cận để phân loại.
Làm sao biết kết quả phân cụm là tốt?
Kết hợp chỉ số nội tại (silhouette, Davies-Bouldin), so với mẫu nhỏ có nhãn nếu có (ARI, NMI), kiểm tra độ ổn định khi chạy lại, và hỏi người làm nghiệp vụ xem các cụm có đặt tên và hành động được không.