Dự đoán bệnh đột quỵ ở người bằng các mô hình phân lớp

Bệnh đột quỵ là một trong những nguyên nhân hàng đầu gây tử vong và tàn tật trên toàn cầu. 98 trang · Đại học Kinh tế Huế · 2022.

• Tác giả: Phan Thị Cẩm Nhi
• Người hướng dẫn: TS. Hoàng Hữu Trung
• Trường học: Đại học Kinh tế Huế
• Chuyên ngành: Hệ thống thông tin kinh tế
• Đề tài: Dự đoán bệnh đột quỵ ở người dựa trên các mô hình phân lớp
• Loại tài liệu: báo cáo thực tập cuối khóa
• Năm xuất bản: 2022
• Địa điểm: Huế

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Tổng quan về học máy
• 1.2. Phân loại các phương pháp học máy
• 1.2.1. Học không có giám sát (Unsupervised Learning)
• 1.2.2. Học tăng cường (Reinforcement Learning)
• 1.2.3. Phân cụm và phân lớp
• 1.2.4. Các phương pháp phân lớp
• 1.2.4.1. Support Vector Machine (SVM)
• 1.2.4.2. Random Forest Classifier (RFC)
• 1.2.4.3. Stochastic Gradient Descent
• 1.2.5. So sánh các mô hình phân lớp
• 1.3. Các bước cơ bản của bài toán dự đoán trong học máy
• 1.3.1. Trực quan hóa dữ liệu (Data Visualization)
• 1.3.2. Tiền xử lý dữ liệu (Preprocessing)
• 1.3.2.1. Xử lí dữ liệu trống (Missing Data)
• 1.3.2.2. Xử lí dữ liệu ngoại lệ (Ouliers)
• 1.3.2.3. Chuẩn hóa phạm vi dữ liệu (Feature Scaling)
• 1.3.3. Lựa chọn thuộc tính (Feature Selection)
• 1.3.4. Mã hóa dữ liệu phân loại (Encoding Categorical Data)
• 1.3.5. Xử lý cân bằng mẫu (SMOTE)
• 1.3.6. Lựa chọn mô hình (Model Selection)
• 1.3.7. Phương pháp phân chia dữ liệu
• 1.3.8. Hiệu chỉnh siêu tham số (Hyperparameter Tuning)
• 1.3.9. Ngôn ngữ lập trình Python cho học máy
• 1.3.10. Bệnh đột quỵ
• 1.3.10.1. Nguyên nhân dẫn đến bệnh đột quỵ
• 1.3.10.2. Các số liệu liên quan đến bệnh đột quỵ
• 1.4. Các công trình nghiên cứu liên quan
• 2. CHƯƠNG 2: DỰ ĐOÁN BỆNH ĐỘT QỤY Ở NGƯỜI DỰA TRÊN CÁC MÔ HÌNH PHÂN LỚP
• 2.1. Mô tả tập dữ liệu
• 2.1.1. Giới thiệu tập dữ liệu nghiên cứu
• 2.1.2. Trực quan hóa bộ dữ liệu (Data Visualization)
• 2.1.3. Bệnh tim – heart_desease
• 2.1.4. Nơi sinh sống – residence_type
• 2.1.5. Lượng đường trong máu – avg_glucose_level
• 2.1.6. Tiền xử lý dữ liệu (Preproccessing)
• 2.1.6.1. Xử lí dữ liệu trống (Missing Data)
• 2.1.6.2. Xử lí dữ liệu ngoại lệ (Ouliers)
• 2.2. Lựa chọn thuộc tính (Feature selection)
• 2.2.1. Mã hóa dữ liệu phân loại (Encoding Categorical Data)
• 2.2.2. Phân chia dữ liệu huấn luyện và dữ liệu kiểm thử (Train – Test)
• 2.2.3. Xử lí cân bằng mẫu (SMOTE)
• 2.2.4. Chuẩn hóa phạm vi dữ liệu (Feature Scaling)
• 2.2.5. Xây dựng mô hình huấn luyện (Model Training)
• 2.2.6. Lựa chọn mô hình (Model selection)
• 2.2.7. Kiểm thử mô hình (Test model)
• 2.2.7.1. Random Forest Classifier (RFC)
• 2.2.8. Hiệu chỉnh mô hình (Turning model)
• 2.2.8.1. Random Forest Classifier (RFC)
• 2.2.8.2. eXtreme Gradient Boosting (XGB)
• 3. CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM VÀ THẢO LUẬN
• 3.1. Kết quả thực nghiệm
• 3.1.1. Trước khi hiệu chỉnh mô hình
• 3.1.1.1. Random Forest Classifier (RFC)
• 3.1.1.2. eXtreme Gradient Boosting (XGB)
• 3.1.2. Sau khi hiệu chỉnh mô hình
• 3.1.2.1. Random Forest Classifier (RFC)
• 3.1.2.2. eXtreme Gradient Boosting (XGB)
• 3.2. Thảo luận kết quả thực nghiệm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về dự đoán bệnh đột quỵ bằng mô hình phân lớp

Bệnh đột quỵ là một trong những nguyên nhân hàng đầu gây tử vong và tàn tật trên toàn cầu. Việc dự đoán bệnh đột quỵ thông qua các mô hình phân lớp đã trở thành một lĩnh vực nghiên cứu quan trọng trong y học và công nghệ thông tin. Các mô hình này sử dụng dữ liệu y tế để phân tích và dự đoán nguy cơ mắc bệnh, từ đó giúp nâng cao hiệu quả trong việc phòng ngừa và điều trị.

1.1. Định nghĩa và tầm quan trọng của bệnh đột quỵ

Bệnh đột quỵ xảy ra khi lưu lượng máu đến não bị gián đoạn, dẫn đến tổn thương não. Theo thống kê, cứ 4 người thì có 1 người có nguy cơ mắc bệnh trong đời. Việc hiểu rõ về bệnh đột quỵ giúp nâng cao nhận thức và phòng ngừa hiệu quả.

1.2. Vai trò của mô hình phân lớp trong dự đoán bệnh

Mô hình phân lớp giúp phân loại dữ liệu y tế thành các nhóm có nguy cơ khác nhau. Điều này cho phép các bác sĩ và nhà nghiên cứu đưa ra quyết định chính xác hơn trong việc điều trị và phòng ngừa bệnh đột quỵ.

II. Thách thức trong việc dự đoán bệnh đột quỵ

Dự đoán bệnh đột quỵ gặp nhiều thách thức, bao gồm việc thu thập dữ liệu chính xác, xử lý dữ liệu thiếu và không đồng nhất. Ngoài ra, việc lựa chọn mô hình phù hợp cũng là một yếu tố quan trọng ảnh hưởng đến độ chính xác của dự đoán.

2.1. Khó khăn trong việc thu thập dữ liệu y tế

Dữ liệu y tế thường không đầy đủ và có thể bị sai lệch. Việc thu thập dữ liệu từ nhiều nguồn khác nhau có thể dẫn đến sự không đồng nhất, ảnh hưởng đến kết quả dự đoán.

2.2. Vấn đề xử lý dữ liệu thiếu và không đồng nhất

Dữ liệu thiếu có thể làm giảm độ chính xác của mô hình. Các phương pháp như SMOTE được sử dụng để xử lý vấn đề này, nhưng vẫn cần phải cẩn trọng trong việc áp dụng.

III. Phương pháp dự đoán bệnh đột quỵ hiệu quả

Có nhiều phương pháp học máy được áp dụng để dự đoán bệnh đột quỵ, bao gồm Random Forest, Support Vector Machine và eXtreme Gradient Boosting. Mỗi phương pháp có ưu điểm và nhược điểm riêng, và việc lựa chọn mô hình phù hợp là rất quan trọng.

3.1. Mô hình Random Forest trong dự đoán bệnh

Random Forest là một trong những mô hình phân lớp phổ biến, sử dụng nhiều cây quyết định để cải thiện độ chính xác. Mô hình này có khả năng xử lý dữ liệu lớn và phức tạp hiệu quả.

3.2. SVM và khả năng phân loại chính xác

Support Vector Machine (SVM) là một phương pháp mạnh mẽ trong phân loại. SVM tìm kiếm siêu phẳng tối ưu để phân chia các lớp dữ liệu, giúp cải thiện độ chính xác trong dự đoán bệnh đột quỵ.

3.3. eXtreme Gradient Boosting XGB và ưu điểm nổi bật

XGB là một trong những mô hình học máy tiên tiến, nổi bật với khả năng tối ưu hóa và xử lý dữ liệu không đồng nhất. Mô hình này thường cho kết quả dự đoán chính xác cao trong các bài toán y tế.

IV. Ứng dụng thực tiễn của mô hình phân lớp trong y tế

Mô hình phân lớp không chỉ giúp dự đoán bệnh đột quỵ mà còn có thể áp dụng trong nhiều lĩnh vực y tế khác. Việc sử dụng công nghệ này giúp cải thiện chất lượng chăm sóc sức khỏe và giảm thiểu rủi ro cho bệnh nhân.

4.1. Cải thiện chất lượng chăm sóc sức khỏe

Việc dự đoán chính xác giúp bác sĩ có thể đưa ra các biện pháp can thiệp kịp thời, từ đó nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân.

4.2. Giảm thiểu rủi ro cho bệnh nhân

Thông qua việc dự đoán nguy cơ mắc bệnh, bệnh nhân có thể được tư vấn và điều trị sớm hơn, giảm thiểu nguy cơ tử vong và tàn tật do bệnh đột quỵ.

V. Kết luận và tương lai của dự đoán bệnh đột quỵ

Dự đoán bệnh đột quỵ bằng mô hình phân lớp là một lĩnh vực đầy tiềm năng. Với sự phát triển của công nghệ và dữ liệu lớn, khả năng dự đoán chính xác sẽ ngày càng được cải thiện, mở ra nhiều cơ hội mới trong y tế.

5.1. Tương lai của mô hình phân lớp trong y tế

Mô hình phân lớp sẽ tiếp tục được cải tiến và áp dụng rộng rãi trong y tế, giúp nâng cao khả năng dự đoán và điều trị bệnh.

5.2. Tầm quan trọng của nghiên cứu và phát triển

Nghiên cứu và phát triển trong lĩnh vực này là rất cần thiết để cải thiện các mô hình hiện tại, từ đó mang lại lợi ích cho sức khỏe cộng đồng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Đột quỵ (tai biến mạch máu não) là một trong những nguyên nhân bệnh lý nguy hiểm hàng đầu trên thế giới. Đứng sau bệnh lý tim mạch và ung thư, đột quỵ là nguyên nhân gây tử vong thường gặp xếp thứ ba, đồng thời là nguyên nhân chính dẫn đến tình trạng tàn tật nặng và kéo dài. Theo số liệu của Tổ chức Đột quỵ Thế giới (World Stroke Organization), tỷ lệ mắc bệnh đã ở mức đại dịch khi cứ 4 người trưởng thành trên 25 tuổi thì có 1 người có nguy cơ bị đột quỵ trong đời. Thống kê toàn cầu ghi nhận 12,2 triệu ca đột quỵ lần đầu mỗi năm, trong đó khoảng 6,5 triệu ca dẫn đến tử vong và hơn 110 triệu người hiện đang sống chung với các di chứng của đột quỵ. Hơn 60% trường hợp đột quỵ xảy ra ở người dưới 70 tuổi và 16% xảy ra ở người dưới 50 tuổi. Tại Việt Nam, căn bệnh này có xu hướng gia tăng và trẻ hóa, tạo gánh nặng lớn cho hệ thống y tế. Các yếu tố nguy cơ dẫn đến đột quỵ được y học chia thành hai nhóm:

• Yếu tố không thể thay đổi: Tuổi tác (nguy cơ tăng theo độ tuổi), giới tính (nữ giới có tỷ lệ cao hơn do liên quan đến thuốc ngừa thai và thai kỳ), yếu tố di truyền, chủng tộc và tiền sử từng bị đột quỵ.
• Yếu tố có thể thay đổi: Tăng huyết áp, rối loạn mỡ máu, hút thuốc lá, thừa cân - béo phì, đái tháo đường, lười vận động và chế độ ăn uống không lành mạnh.

Cùng với sự phát triển của cuộc Cách mạng công nghiệp lần thứ tư, Trí tuệ nhân tạo (AI) và Học máy (Machine Learning) ngày càng chứng minh được vai trò quan trọng trong việc phân tích các tập dữ liệu lớn để trích xuất tri thức và đưa ra các dự đoán chính xác. Việc ứng dụng các kỹ thuật học máy phân lớp nhằm sàng lọc, phát hiện sớm nguy cơ đột quỵ dựa trên các chỉ số sức khỏe và thói quen sinh hoạt trở thành một hướng tiếp cận thực tiễn và cần thiết.

Khóa luận tốt nghiệp của sinh viên Phan Thị Cẩm Nhi (ngành Tin học Kinh tế, Khoa Hệ thống Thông tin Kinh tế, Trường Đại học Kinh tế – Đại học Huế) thực hiện dưới sự hướng dẫn của TS. Hoàng Hữu Trung và đơn vị thực tập là Công ty TNHH MTV MGI Solutions Việt Nam nhằm giải quyết bài toán dự đoán này.

Mục tiêu nghiên cứu:

1. Mục tiêu tổng quát: Xây dựng thuật toán và đánh giá tính khả thi của các mô hình học máy phân lớp trong việc dự đoán bệnh đột quỵ ở người dựa trên tập dữ liệu "healthcare dataset stroke data" thu thập từ nền tảng Kaggle.
2. Mục tiêu cụ thể:
   • Nghiên cứu tổng quan về bệnh đột quỵ ở người và các yếu tố nguy cơ lâm sàng, phi lâm sàng.
   • Tìm hiểu cơ sở lý thuyết về học máy cùng 4 phương pháp học cơ bản (học có giám sát, học không giám sát, học bán giám sát, học tăng cường).
   • Nghiên cứu chi tiết bài toán phân cụm và phân lớp trong học có giám sát.
   • Khảo sát 8 mô hình phân lớp: Decision Tree (DT), K-Nearest Neighbor (KNN), Logistic Regression (LR), Naïve Bayes (NB), Random Forest Classifier (RFC), Stochastic Gradient Descent (SGD), Support Vector Machine (SVM), eXtreme Gradient Boosting (XGB).
   • So sánh ưu điểm và nhược điểm của các thuật toán phân lớp.
   • Trực quan hóa dữ liệu nhằm nắm bắt đặc trưng phân bố của các thuộc tính.
   • Thực hiện tiền xử lý dữ liệu: xử lý 201 giá trị trống ở biến BMI, xử lý ngoại lệ (Outliers), chuẩn hóa phạm vi dữ liệu (Feature Scaling).
   • Thực hiện lựa chọn thuộc tính, mã hóa dữ liệu phân loại thành dạng số và dạng ma trận.
   • Lựa chọn mô hình thích hợp dựa trên độ chính xác trung bình ban đầu.
   • Hiệu chỉnh siêu tham số (Hyperparameter Tuning) với GridSearchCV trên các mô hình được chọn.
   • Đánh giá hiệu năng dự đoán qua các độ đo chuyên dụng trong học máy.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Bệnh đột quỵ, các yếu tố nguy cơ dẫn đến đột quỵ ở người và các mô hình học máy phân lớp (KNN, RFC, SGD, SVM, XGB, DT, LR, NB).
• Phạm vi thời gian: Từ ngày 12/09/2022 đến ngày 18/12/2022.
• Phạm vi không gian và dữ liệu: Tập dữ liệu "healthcare dataset stroke data" gồm 5.110 quan sát với 12 thuộc tính từ Kaggle và các thuật toán học máy có giám sát.

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết toàn diện về lĩnh vực học máy và bệnh học đột quỵ, đồng thời xây dựng quy trình thực nghiệm rõ ràng theo chuẩn khoa học dữ liệu.

Khung lý thuyết và các thuật toán phân lớp

Học máy là một tập con của trí tuệ nhân tạo, cho phép hệ thống tự học hỏi và cải thiện hiệu suất từ dữ liệu. Bài toán phân lớp (Classification) trong học có giám sát thiết lập hàm ánh xạ từ tập biến đầu vào $X = {x_1, x_2, \dots, x_N}$ sang nhãn lớp $Y = {y_1, y_2, \dots, y_N}$ với mục tiêu dự đoán nhãn nhị phân cho dữ liệu mới: bị đột quỵ hoặc không bị đột quỵ.

Khóa luận tiến hành khảo sát và so sánh 8 thuật toán phân lớp:

Mô hình	Ưu điểm chính	Nhược điểm chính
Support Vector Machine (SVM)	Hiệu quả trong không gian nhiều chiều; tiết kiệm bộ nhớ nhờ sử dụng tập vector hỗ trợ; hỗ trợ các hàm Kernel linh hoạt.	Dễ quá khớp nếu số chiều lớn hơn số mẫu; không trực tiếp cung cấp ước tính xác suất; chi phí tính toán xác thực chéo cao.
K-Nearest Neighbor (KNN)	Quá trình huấn luyện không phức tạp tính toán (lazy learning); áp dụng được cho cả phân loại và hồi quy; không giả định phân phối dữ liệu.	Tốc độ dự đoán chậm khi kích thước dữ liệu tăng; tốn bộ nhớ lưu trữ toàn bộ dữ liệu; rất nhạy cảm với nhiễu khi $K$ nhỏ.
Random Forest Classifier (RFC)	Độ chính xác cao; chống hiện tượng quá khớp (overfitting) tốt nhờ cơ chế kết hợp nhiều cây quyết định; đánh giá được tầm quan trọng của thuộc tính.	Tốc độ tạo dự đoán tương đối chậm do cấu trúc gồm nhiều cây quyết định; tiêu tốn thời gian tính toán.
Logistic Regression (LR)	Thiết kế tối ưu cho phân loại nhị phân; giúp hiểu rõ mức độ ảnh hưởng của các biến độc lập đến biến kết quả thông qua hàm sigmoid.	Chỉ áp dụng cho biến mục tiêu nhị phân; giả định các biến dự đoán độc lập tuyến tính; nhạy cảm với dữ liệu bị khuyết.
Naïve Bayes (NB)	Tốc độ huấn luyện và dự đoán rất nhanh; chỉ yêu cầu lượng nhỏ dữ liệu huấn luyện để ước lượng tham số.	Giả định các đặc trưng độc lập tuyệt đối đôi khi không thực tế; độ chính xác ước lượng xác suất có thể thấp.
Stochastic Gradient Descent (SGD)	Hiệu quả cao khi xử lý tập dữ liệu lớn nhờ cập nhật trọng số theo từng mẫu đơn lẻ; dễ triển khai.	Đòi hỏi thiết lập nhiều siêu tham số; rất nhạy cảm với tỷ lệ và thang đo của thuộc tính.
Decision Tree (DT)	Trực quan, dễ hiểu; xử lý tốt cả dữ liệu số và dữ liệu phân loại; yêu cầu chuẩn bị dữ liệu ít.	Dễ tạo ra cây không tổng quát hóa tốt; kém ổn định (biến động nhỏ trong dữ liệu có thể làm thay đổi hoàn toàn cấu trúc cây).
XGBoost (eXtreme Gradient Boosting)	Thuật toán mạnh mẽ, độ chính xác vượt trội; tốc độ huấn luyện nhanh nhờ tối ưu hóa phần cứng và hỗ trợ tính toán song song.	Cấu trúc phức tạp; tiêu tốn nhiều tài nguyên hệ thống trong quá trình thực thi.

Phương pháp nghiên cứu và quy trình xử lý dữ liệu

Tác giả áp dụng đồng bộ các phương pháp nghiên cứu thực nghiệm:

1. Nghiên cứu tài liệu và tổng hợp: Khảo cứu lý thuyết học máy, dịch tễ học đột quỵ và các công trình khoa học trong nước và quốc tế liên quan (như ứng dụng XGBoost dự đoán cường độ liên kết cốt thép - bê tông, ứng dụng Random Forest phân loại rừng ngập mặn Cà Mau từ ảnh vệ tinh SPOT6, ứng dụng Deep Learning dự đoán tử vong do đột quỵ đạt AUC 83,48%).
2. Trực quan hóa dữ liệu: Sử dụng ngôn ngữ Python cùng các thư viện chuyên dụng như Seaborn, Matplotlib, Pandas để vẽ biểu đồ phân phối, biểu đồ tương quan giữa các yếu tố sức khỏe (huyết áp, bệnh tim, tuổi, BMI, đường huyết, thói quen hút thuốc) với nguy cơ đột quỵ.
3. Kỹ thuật tiền xử lý dữ liệu:
   • Xử lý dữ liệu khuyết: Phân tích 5 kỹ thuật xử lý (xóa quan sát, thay thế bằng Mean/Median/Mode, thay thế giá trị ngẫu nhiên, thay thế giá trị đuôi phân phối, tạo đặc trưng mới). Khóa luận áp dụng điền giá trị cho 201 ô trống tại thuộc tính BMI.
   • Xử lý giá trị ngoại lệ: Xác định ranh giới ngoại lệ dựa trên khoảng phân vị của Box plot: $$\text{Biên trên} = Q_3 + 1.5 \times \text{IQR}$$ $$\text{Biên dưới} = Q_1 - 1.5 \times \text{IQR}$$ Trong đó $\text{IQR} = Q_3 - Q_1$. Các giá trị nằm ngoài dải được thay thế bằng giá trị biên tương ứng.
   • Chuẩn hóa phạm vi dữ liệu (Feature Scaling): Đưa các thuộc tính về phân phối chuẩn có kỳ vọng bằng 0 và độ lệch chuẩn bằng 1 theo công thức: $$z = \frac{x - \mu}{\sigma}$$
   • Mã hóa dữ liệu phân loại (Categorical Encoding): Chuyển đổi dữ liệu dạng chữ sang kiểu số nguyên (Label Encoding) và ma trận nhị phân (One-hot Encoding $[0, 1]$).
   • Cân bằng dữ liệu bằng SMOTE (Synthetic Minority Oversampling Technique): Khắc phục tình trạng mất cân bằng mẫu (số ca không bị đột quỵ chiếm áp đảo so với số ca bị đột quỵ) bằng cách sinh các mẫu tổng hợp cho lớp thiểu số dựa trên phép nội suy giữa các trường hợp lân cận gần nhất ($K$-lân cận).
4. Phương pháp phân chia dữ liệu và tối ưu hóa siêu tham số: Áp dụng phương pháp phân chia dữ liệu (Holdout, Cross-validation) và sử dụng kỹ thuật tìm kiếm dạng lưới (GridSearchCV) để xác định bộ siêu tham số tối ưu cho các mô hình.
5. Phương pháp đánh giá mô hình: Sử dụng các chỉ số gồm Ma trận nhầm lẫn (True Positive - TP, False Positive - FP, True Negative - TN, False Negative - FN), Độ chính xác (Accuracy), Độ hồi tưởng (Recall / TPR), Tỷ lệ dương tính giả (FPR), Precision, F1-score, Đường cong ROC và Diện tích dưới đường cong (AUC).

---

Nội dung chính theo từng chương

Chương I: Cơ sở lý thuyết

Chương này cung cấp toàn bộ nền tảng học thuật về trí tuệ nhân tạo, phân biệt giữa học máy (Machine Learning) và khai phá dữ liệu (Data Mining). Tác giả trình bày hệ thống 4 nhóm phương pháp học máy: học có giám sát, học không giám sát, học bán giám sát và học tăng cường. Nội dung chương đi sâu vào định nghĩa toán học của bài toán phân cụm (Clustering) và phân lớp (Classification), phân tích chi tiết cơ chế hoạt động, công thức và ưu nhược điểm của 8 thuật toán phân lớp phổ biến (SVM, KNN, RFC, LR, Naïve Bayes, SGD, Decision Tree, XGBoost).

Bên cạnh đó, chương I hệ thống hóa quy trình chuẩn của một bài toán dự đoán trong học máy, bao gồm các bước: trực quan hóa dữ liệu, các kỹ thuật xử lý dữ liệu trống, phương pháp xác định và xử lý dữ liệu ngoại lệ bằng biểu đồ hộp (Box plot), các phương pháp chuẩn hóa dữ liệu (Standard Scaler, Min-Max Scaler, Robust Scaler), kỹ thuật lựa chọn thuộc tính (Feature Selection), mã hóa biến nhóm, kỹ thuật sinh mẫu tổng hợp SMOTE để xử lý mất cân bằng dữ liệu, và kỹ thuật tinh chỉnh siêu tham số GridSearchCV. Cuối chương là tổng quan y khoa về bệnh đột quỵ, phân tích các nguyên nhân, yếu tố nguy cơ không thể thay đổi và có thể thay đổi, cùng các số liệu dịch tễ học đột quỵ trên phạm vi toàn cầu.

Chương II: Dự đoán bệnh đột quỵ ở người dựa trên các mô hình phân lớp

Chương II mô tả việc triển khai thực nghiệm trên tập dữ liệu "healthcare dataset stroke data" thu thập từ Kaggle với 5.110 dòng quan sát và 12 thuộc tính:

STT	Tên biến	Viết đầy đủ	Ý nghĩa	Miền giá trị / Kiểu dữ liệu
1	id	Identification	Mã định danh quan sát	Số nguyên
2	gender	Gender	Giới tính	Nam (Male), Nữ (Female)
3	age	Age	Độ tuổi	Từ 0.8 đến 82 tuổi
4	hypertension	Hypertension	Tiền sử bệnh cao huyết áp	0: Không bị, 1: Có bị
5	heart_disease	Heart disease	Tiền sử bệnh tim	0: Không bị, 1: Có bị
6	ever_married	Ever Married	Tình trạng hôn nhân	Phân loại
7	work_type	Work Type	Loại hình công việc	Phân loại
8	Residence_type	Residence Type	Nơi sinh sống	Thành thị / Nông thôn
9	avg_glucose_level	Average Glucose Level	Lượng đường huyết trung bình	Giá trị thực
10	bmi	Body Mass Index	Chỉ số khối cơ thể	Giá trị thực (201 giá trị trống)
11	smoking_status	Smoking Status	Tình trạng hút thuốc lá	Phân loại
12	stroke	Stroke	Nhãn mục tiêu (Bệnh đột quỵ)	0: Không bị, 1: Bị đột quỵ

Chương này tiến hành trực quan hóa từng thuộc tính bằng Seaborn để phân tích mối tương quan giữa bệnh đột quỵ với các biến độc lập như huyết áp, bệnh tim, giới tính, nơi sinh sống, tình trạng hút thuốc, tình trạng hôn nhân, BMI, lượng đường huyết và độ tuổi. Quá trình tiền xử lý dữ liệu được thực hiện chặt chẽ:

• Phát hiện và điền giá trị cho 201 quan sát bị khuyết ở thuộc tính bmi.
• Xử lý giá trị ngoại lệ đối với thuộc tính bmi và avg_glucose_level theo ngưỡng $\text{IQR}$.
• Mã hóa dữ liệu phân loại sang dạng số nguyên và ma trận nhị phân $[0, 1]$.
• Phân chia tập dữ liệu thành tập huấn luyện (Train) và kiểm thử (Test).
• Áp dụng kỹ thuật SMOTE để cân bằng tỷ lệ mẫu đột quỵ (vốn chiếm tỷ lệ nhỏ).
• Chuẩn hóa phạm vi dữ liệu với Standard Scaler.
• Huấn luyện sơ bộ các thuật toán phân lớp và sàng lọc ra 3 mô hình tiêu biểu có hiệu năng cao để tập trung kiểm thử và hiệu chỉnh siêu tham số chuyên sâu: Hồi quy Logistic (Logistic Regression - LR), Rừng ngẫu nhiên (Random Forest Classifier - RFC) và Tăng cường độ dốc cực độ (eXtreme Gradient Boosting - XGB).

Chương III: Kết quả thực nghiệm và thảo luận

Chương III trình bày kết quả thực nghiệm chi tiết của 3 mô hình phân lớp được chọn (LR, RFC, XGB) qua hai giai đoạn:

1. Giai đoạn trước khi hiệu chỉnh siêu tham số: Đánh giá kết quả phân loại ban đầu của LR, RFC và XGB thông qua ma trận nhầm lẫn (Confusion Matrix) và đường cong ROC / chỉ số AUC mặc định.
2. Giai đoạn sau khi hiệu chỉnh siêu tham số: Áp dụng GridSearchCV để tìm kiếm tập tham số tối ưu thay thế các thiết lập mặc định của thuật toán. Đánh giá lại ma trận nhầm lẫn và đường cong đặc trưng hoạt động bộ thu nhận (ROC) của từng mô hình sau khi tinh chỉnh.

Chương này đưa ra các thảo luận, so sánh đối chiếu sự cải thiện về độ chính xác, tỷ lệ phân loại đúng lớp thiểu số (bệnh nhân đột quỵ) và chỉ số AUC giữa các mô hình trước và sau khi tối ưu hóa, khẳng định tính hiệu quả của quy trình tiền xử lý kết hợp SMOTE và GridSearchCV.

---

Kết quả và đóng góp

Kết quả chính

• Thực hiện xử lý hoàn chỉnh tập dữ liệu y tế gồm 5.110 quan sát, giải quyết triệt để 201 bản ghi thiếu tại biến chỉ số khối cơ thể (bmi) và xử lý các giá trị ngoại lệ của bmi và đường huyết (avg_glucose_level).
• Áp dụng thành công thuật toán cân bằng dữ liệu SMOTE, loại bỏ tình trạng lệch mẫu do lớp dương tính (bị đột quỵ) chiếm tỷ lệ nhỏ trong tập dữ liệu gốc.
• Hoàn thiện quy trình mã hóa dữ liệu dạng số, dạng ma trận nhị phân $[0, 1]$ và chuẩn hóa phạm vi dữ liệu.
• Xây dựng, huấn luyện và đánh giá hệ thống 8 mô hình học máy phân lớp, trong đó tập trung kiểm thử và hiệu chỉnh siêu tham số thành công cho 3 mô hình chủ đạo: Logistic Regression, Random Forest Classifier và XGBoost bằng GridSearchCV.
• Đánh giá năng lực phân loại thông qua ma trận nhầm lẫn, độ chính xác, tỷ lệ TPR, FPR và diện tích dưới đường cong AUC trước và sau khi hiệu chỉnh.

Giải pháp và kiến nghị

• Tác giả đề xuất quy trình chuẩn gồm: Trực quan hóa $\rightarrow$ Tiền xử lý dữ liệu khuyết và ngoại lệ $\rightarrow$ Mã hóa ma trận $\rightarrow$ Cân bằng mẫu bằng SMOTE $\rightarrow$ Chuẩn hóa đặc trưng $\rightarrow$ Tối ưu siêu tham số bằng GridSearchCV cho các bài toán phân loại dữ liệu y tế có độ lệch mẫu cao.
• Kiến nghị việc kết hợp các chỉ số lâm sàng (đường huyết, tiền sử cao huyết áp, bệnh tim) và chỉ số sinh hoạt (hút thuốc, tuổi tác, thể trạng BMI) vào các công cụ phần mềm hỗ trợ chẩn đoán và sàng lọc sớm nguy cơ đột quỵ trong thực tế.

Đóng góp của đề tài

• So với các nghiên cứu trước đây (như nghiên cứu Deep Learning dự đoán tử vong do đột quỵ bị giới hạn bởi việc thiếu phân tách dữ liệu và chỉ dùng dữ liệu nhị phân), đề tài của tác giả Phan Thị Cẩm Nhi đã xử lý đa dạng các dạng dữ liệu (liên tục, phân loại, nhị phân), thực hiện tiền xử lý khuyết thiếu và ngoại lệ chi tiết.
• Cung cấp bức tranh so sánh thực nghiệm đa mô hình (8 thuật toán) và chứng minh vai trò then chốt của việc kết hợp kỹ thuật sinh mẫu SMOTE với thuật toán tìm kiếm siêu tham số GridSearchCV trong việc nâng cao chất lượng dự đoán bệnh đột quỵ.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Nghiên cứu thực hiện trên bộ dữ liệu thứ cấp thu thập từ Kaggle ("healthcare dataset stroke data") với quy mô 5.110 mẫu trong phạm vi thời gian thực tập cố định (từ 12/09/2022 đến 18/12/2022), chưa có điều kiện khảo sát trực tiếp trên dữ liệu bệnh án tại các bệnh viện Việt Nam.
• Dữ liệu nghiên cứu là dữ liệu dạng cắt ngang tại một thời điểm, chưa có dữ liệu theo dõi theo chiều dọc (longitudinal data) để theo dõi tiến triển bệnh theo thời gian dài.
• Nghiên cứu tập trung vào các mô hình học máy truyền thống và kỹ thuật ensemble/boosting, chưa triển khai các kiến trúc học sâu (Deep Learning) chuyên sâu.

Hướng phát triển của đề tài

• Mở rộng thu thập và kiểm thử mô hình trên các tập dữ liệu lâm sàng thực tế quy mô lớn hơn từ các cơ sở y tế trong nước.
• Nghiên cứu và thử nghiệm thêm các mạng nơ-ron học sâu (Deep Learning) để so sánh hiệu năng với các mô hình phân lớp truyền thống.
• Phát triển thành một ứng dụng phần mềm hoàn chỉnh có giao diện người dùng thân thiện, cho phép nhập các chỉ số sức khỏe cá nhân và đưa ra cảnh báo nguy cơ đột quỵ theo thời gian thực.

---

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo hữu ích cho các đối tượng:

• Sinh viên ngành Tin học Kinh tế, Hệ thống Thông tin Kinh tế và Khoa học Dữ liệu: Tham khảo quy trình chuẩn để thực hiện một đồ án học máy phân loại từ đầu đến cuối, từ bước đọc dữ liệu, trực quan hóa bằng Seaborn, tiền xử lý dữ liệu khuyết, xử lý ngoại lệ, chuẩn hóa đến chia tập Train - Test.
• Người nghiên cứu ứng dụng AI trong Y tế: Tham khảo phương pháp ứng dụng kỹ thuật SMOTE để giải quyết bài toán mất cân bằng mẫu nghiêm trọng trong dữ liệu bệnh lý và cách sử dụng GridSearchCV để tối ưu hóa siêu tham số cho các mô hình như Random Forest, XGBoost và Logistic Regression.
• Phần đáng tham khảo nhất: Bảng so sánh 8 thuật toán phân lớp, phân tích chi tiết 5 kỹ thuật xử lý dữ liệu trống, công thức xác định ngoại lệ qua IQR, cùng quy trình trực quan hóa tương quan các chỉ số sức khỏe với bệnh đột quỵ ở Chương I và Chương II.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng tập dữ liệu nào và kích thước dữ liệu là bao nhiêu?
Khóa luận sử dụng bộ dữ liệu "healthcare dataset stroke data" thu thập từ nền tảng Kaggle, bao gồm 5.110 dòng quan sát với 12 thuộc tính phản ánh các thông tin nhân khẩu học, thói quen sinh hoạt và chỉ số bệnh lý của người được khảo sát.

2. Tại sao tác giả phải áp dụng kỹ thuật SMOTE trong nghiên cứu này?
Tập dữ liệu bệnh đột quỵ có tính chất mất cân bằng mẫu cao (tỷ lệ người bị đột quỵ chiếm số lượng rất nhỏ so với người không bị bệnh). Kỹ thuật SMOTE (Synthetic Minority Oversampling Technique) được sử dụng để tạo ra các mẫu tổng hợp mới cho lớp thiểu số dựa trên phép nội suy $K$-lân cận gần nhất, giúp mô hình không bị thiên lệch về lớp đa số và cải thiện khả năng nhận diện các ca có nguy cơ mắc bệnh.

3. Khóa luận đã khảo sát bao nhiêu mô hình và chọn những mô hình nào để hiệu chỉnh siêu tham số?
Tác giả đã khảo sát tổng cộng 8 mô hình phân lớp gồm: Decision Tree (DT), K-Nearest Neighbor (KNN), Logistic Regression (LR), Naïve Bayes (NB), Random Forest Classifier (RFC), Stochastic Gradient Descent (SGD), Support Vector Machine (SVM), và eXtreme Gradient Boosting (XGB). Sau khi huấn luyện ban đầu, 3 mô hình tiêu biểu gồm Logistic Regression, Random Forest Classifier và eXtreme Gradient Boosting được lựa chọn để tiến hành kiểm thử và tối ưu hóa siêu tham số bằng kỹ thuật GridSearchCV.

4. Trong tập dữ liệu, thuộc tính nào bị khuyết dữ liệu và số lượng là bao nhiêu?
Trong tập dữ liệu nghiên cứu, thuộc tính chỉ số khối cơ thể (bmi) bị khuyết dữ liệu với đúng 201 ô trống (giá trị NaN). Tác giả đã tiến hành phân tích các kỹ thuật điền dữ liệu và thực hiện xử lý làm sạch trước khi đưa vào huấn luyện mô hình.

5. Những chỉ số nào được sử dụng để đánh giá chất lượng phân lớp của các mô hình trong khóa luận?
Hiệu năng của các mô hình được đánh giá toàn diện qua Ma trận nhầm lẫn (Confusion Matrix: TP, FP, TN, FN), Độ chính xác (Accuracy), Độ hồi tưởng (Recall / TPR), Tỷ lệ dương tính giả (FPR), Độ chính xác phân loại (Precision), Điểm F1 (F1-score), Đường cong ROC (Receiving Operating Curve) và Diện tích dưới đường cong ROC (AUC).

---

Kết luận

Khóa luận tốt nghiệp "Dự đoán bệnh đột quỵ ở người dựa trên các mô hình phân lớp" của sinh viên Phan Thị Cẩm Nhi đã hoàn thành đầy đủ các mục tiêu nghiên cứu đặt ra, từ việc hệ thống hóa cơ sở lý thuyết học máy đến thực nghiệm phân loại nguy cơ đột quỵ trên tập dữ liệu 5.110 quan sát từ Kaggle. Bằng việc thực hiện bài bản các bước tiền xử lý, xử lý mất cân bằng mẫu qua SMOTE và tối ưu hóa siêu tham số bằng GridSearchCV trên các mô hình như Random Forest, XGBoost và Logistic Regression, đề tài đã chứng minh tính khả thi và hiệu quả của các giải pháp học máy trong phân tích y tế. Công trình là tài liệu tham khảo có giá trị phương pháp luận rõ ràng cho sinh viên và các nhà nghiên cứu quan tâm đến lĩnh vực khoa học dữ liệu ứng dụng trong chăm sóc sức khỏe.

Trích đoạn nội dung tài liệu

CHƯƠNG I: CƠ SỞ LÝ THUYẾT 1. Tổng quan về học máy 1. Giới thiệu về học máy Học máy [1] hay máy học có tên tiếng Anh đầy đủ là Machine Learning, viết tắt là ML. Thuật toán Machine Learning là các chương trình máy tính có khả năng học hỏi và hoàn thành các nhiệm vụ, đồng thời là cách để cải thiện hiệu suất theo thời gian vô cùng hiệu quả.

Ngoài ra, Machine Learning còn được biết là còn là công nghệ phát triển từ lĩnh vực trí tuệ nhân tạo tiên tiến nhất hiện nay. Để đảm bảo không có sai lệch và không xuất hiện dữ liệu giả, Machine Learning vẫn cần quá trình tìm hiểu và lựa chọn kỹ thuật phân tích dữ liệu từ con người. Học máy ngày càng mang tính phổ biến trên toàn thế giới. Sự tăng trưởng vượt bậc của dữ liệu lớn (Big Data) và các thuật toán Machine Learning đã cải thiện độ chính xác của những mô hình và dự đoán tương lai.

Trong đó, bước huấn luyện sẽ chỉ dùng dữ liệu huấn luyện, bước kiểm thử sẽ chỉ dùng dữ liệu trong tập kiểm thử. Ứng dụng của học máy Học máy ngày càng được ứng dụng rộng rãi, đa lĩnh vực trong thực tiễn cuộc sống con người ngày nay. Machine Learning đang được sử dụng với mục đích phân tích dữ liệu lớn để có thể đưa ra những dự đoán xu hướng trong tương lai. Ví dụ như dự đoán kết quả bầu cử chính trị, dự đoán biến động của thị trường chứng khoán … Machine Learning cũng được áp dụng trong công nghệ nhận diện hình ảnh [6] nhằm cung cấp dữ liệu cho các mô hình định giá hoặc mô hình kinh tế.

Bằng khả năng phân tích dữ liệu từ hệ thống vệ tinh, thuật toán học máy sẽ tiến hành xử lý và cung cấp tới bạn những thông tin về số lượng khách hàng tại bãi đậu xe, các hoạt động vận chuyển, sản lượng sản xuất. Về cơ bản, nó là một cách tiếp cận để xác định và phát hiện các đặc trưng của một đối tượng trong hình ảnh kỹ thuật số. Hơn nữa, kỹ thuật SVTH: Phan Thị Cẩm Nhi 6 Khóa luận tốt nghiệp GVHD: TS. Hoàng Hữu Trung này có thể được sử dụng để phân tích sâu hơn, chẳng hạn như nhận dạng mẫu, nhận diện hình khuôn, nhận dạng khuôn mặt, nhận dạng ký tự quang học và nhiều hơn nữa,.

Phân loại tin tức [7] là một ứng dụng điểm chuẩn khác của phương pháp học máy. Như một vấn đề thực tế là bây giờ khối lượng thông tin đã tăng lên rất nhiều trên web. Tuy nhiên, mỗi người có sở thích hoặc lựa chọn cá nhân của mình. Vì vậy, để chọn hoặc thu thập một phần thông tin phù hợp trở thành một thách thức đối với người dùng từ vô số nội dung trên trang web.

Phân loại các danh mục một cách rõ ràng, dễ điều hướng giúp cho các khách hàng mục tiêu chắc chắn sẽ tăng khả năng truy cập các trang tin tức. Hơn nữa, độc giả hoặc người dùng có thể tìm kiếm tin tức cụ thể một cách hiệu quả và nhanh chóng. Có một số phương pháp học máy trong mục đích này, đó là, máy vectơ hỗ trợ, Naive Bayes, K hàng xóm lân cận,… Học máy cũng đang được sử dụng trong một loạt các ứng dụng mạng xã hội [7] ngày nay. Một trong những ví dụ nổi tiếng nhất là Facebook News Feed.

Nguồn cấp tin tức sử dụng học máy để cá nhân hóa từng nguồn cấp dữ liệu thành viên. Nếu một thành viên thường xuyên dừng lại để đọc hoặc thích một bài đăng của một người bạn cụ thể, News Feed sẽ bắt đầu hiển thị nhiều hơn về hoạt động của người bạn đó trước đó trong nguồn cấp dữ liệu. Đằng sau hệ thống ấy, phần mềm sử dụng phân tích thống kê và phân tích dự đoán để xác định các mẫu trong dữ liệu người dùng và sử dụng các mẫu đó để điền vào News Feed. Nếu thành viên không còn dừng lại để đọc, thích hoặc bình luận trên các bài đăng của bạn bè, dữ liệu mới đó sẽ được bao gồm trong tập dữ liệu và News Feed sẽ điều chỉnh tương ứng.

Không chỉ riêng Facebook, ta có thể bắt gặp những tính năng tương tự đó qua các mạng xã hội khác như Google, Instagram,… Đối với việc kinh doanh của một công ty [8] có hàng tấn dữ liệu (tệp người dùng, dữ liệu tài chính, dữ liệu sản phẩm, dữ liệu thống kê đường dây nóng, báo cáo nhân sự,…) học máy có thể: phân đoạn khách hàng và chọn chiến lược tiếp thị tốt nhất cho mỗi phân khúc; đề xuất các sản phẩm phù hợp cho khách hàng dựa trên sản phẩm mua được bởi những khách hàng tương tự; phát hiện những giao dịch có khả năng cao là giả mạo; dự báo doanh thu của năm sau. SVTH: Phan Thị Cẩm Nhi 7 Khóa luận tốt nghiệp GVHD: TS. Hoàng Hữu Trung Tương quan với khai phá dữ liệu Khai phá dữ liệu và học máy là hai khái niệm hay bị nhầm lẫn. Hai lĩnh vực này nhìn chung gần với nhau và đôi khi dùng chung nhiều phương pháp, công cụ nhưng khác biệt chính là ở mục tiêu: - Khai phá dữ liệu: thường mục tiêu là tìm kiếm những thông tin, tri thức hoàn toàn mới tiềm năng có ích trong nguồn dữ liệu.

- Học máy: dự đoán một số thông tin của dữ liệu dựa trên những đặc tính đã biết. Phân loại các phương pháp học máy Thuật toán học máy được chia thành 4 loại [1] bao gồm: học có giám sát, học không giám sát, học bán giám sát và học tăng cường. Học có giám sát (Supervised Learning) - Supervised learning [9] là thuật toán dự đoán đầu ra (outcome) của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước. Cặp dữ liệu này còn được gọi là (data, label), tức (dữ liệu, nhãn).

Supervised learning là nhóm phổ biến nhất trong các thuật toán Machine Learning. - Một cách toán học, Supervised learning là khi chúng ra có một tập hợp biến đầu vào = { , ,… } và một tập hợp nhãn tương ứng = { , ,… }, trong đó , là các vector. Các cặp dữ liệu biết trước ( , ) ∈ được gọi là tập training data (dữ liệu huấn luyện). Từ tập training data này, chúng ta cần tạo ra một hàm số ánh xạ mỗi phần tử từ tập sang một phần tử (xấp xỉ) tương ứng của tập : ≈ ( ), ∀ = 1,2, … , Mục đích là xấp xỉ hàm số thật tốt để khi có một dữ liệu mới, chúng ta có thể tính được nhãn tương ứng của nó = ( ) - Sau khi tìm hiểu cách tốt nhất để mô hình hóa các mối quan hệ cho dữ liệu được gán nhãn, thuật toán huấn luyện sẽ được sử dụng cho các bộ dữ liệu mới.

- Ứng dụng của học có giám sát chính là giúp xác định tín hiệu tốt nhất để dự báo xu hướng, lợi nhuận trong tương lai trong lĩnh vực cổ phiếu, chứng khoán. - Thuật toán supervised learning còn được tiếp tục chia nhỏ ra thành hai loại chính: Phân loại (Classification) và Hồi quy (Regression) SVTH: Phan Thị Cẩm Nhi 8 Khóa luận tốt nghiệp GVHD: TS. Hoàng Hữu Trung 1. Học không có giám sát (Unsupervised Learning) - Học không giám sát [1] sử dụng những dữ liệu chưa được gán nhãn sẵn để suy luận và tìm cách để mô tả dữ liệu cùng cấu trúc của chúng.

- Ứng dụng của học không giám sát đó là hỗ trợ phân loại thành các nhóm có đặc điểm tương đồng. Học bán giám sát (Semi-supervised Learning) - Học bán giám sát [1] là dạng kết hợp giữa học có giám sát và học không giám sát. - Trong đó, nó kết hợp các ví dụ có nhãn và không nhãn để sinh ra một hàm hoặc một bộ phân loại thích hợp. Học tăng cường (Reinforcement Learning) - Học tăng cường [1] không dựa trên việc học có giám sát hay học không giám sát, mà các thuật toán học cách tự phản ứng với môi trường.

- Phương pháp học này đang phát triển nhanh chóng và tạo ra nhiều thuật toán học tập, hữu ích trong lĩnh vực Robot, trò chơi, hệ thống tự động thông minh,… 1. Phân cụm và phân lớp 1. Phân cụm (Clustering) Phân cụm [10], hay còn gọi là phân nhóm, là việc nhóm dữ liệu thành các cụm sao cho các dữ liệu trong cụm đó có tính tương đồng cao và độ bất đồng giữa các cụm lớn. Và những bất đồng được đánh giá dựa trên các giá trị thuộc tính được dùng để mô tả các đối tượng dữ liệu.

Các phương pháp phân cụm phổ biến [10]: - Phương pháp phân mảnh (fragmentation methods) - Phương pháp phân tầng (hierarchical methods) - Phương pháp lưới (grid-based methods) - Phương pháp dựa vào mô hình (model-based methods) - Phân cụm dựa vào ràng buộc (constraint-based clustering) SVTH: Phan Thị Cẩm Nhi 9 Khóa luận tốt nghiệp GVHD: TS. Hoàng Hữu Trung 1. Phân lớp (Classification) Phân lớp [11], hay còn gọi là phân loại, là việc phân tích dữ liệu dựa trên tập huấn luyện, giá trị hay là nhãn lớp của một thuộc tính phân lớp để tạo lập các mô hình mô tả các phân lớp dữ liệu quan trọng. Những phân tích đó sẽ giúp chúng ta hiểu sâu hơn về dữ liệu ở mức lớn và bao quát hơn.

Ứng dụng của phân lớp trong thực tế:  Phân loại một email là thư phiền (spam) hay không.  Dự đoán xem người nghe thích bài hát hay thể loại nhạc nào.  Chọn phương thức điều trị phù hợp cho các bệnh nhân. Đặc trưng của mô hình phân lớp là học dựa trên tập dữ liệu mẫu có sẵn.

Những dữ liệu thô đầu vào (như: văn bản, hình ảnh, âm thanh) được chuyển đổi thành các vector. Số chiều của các vector này tùy thuộc vào từng trường hợp cụ thể. Đặc biệt trong các chiều này, có một chiều chứa nhãn phân lớp có sẵn tương ứng với từng trường hợp cụ thể. Ví dụ về bài toán sử dụng mô hình phân lớp Nguồn: machinelearningcoban.com Dựa trên tập dữ liệu vào dạng vector này, các thuật toán đặc thù sẽ được triển khai để tiến hành thiết lập một ánh xạ , ∈.

Trong đó C là tập các nhãn và là vector với các chiều. chính là mô hình thu được thông qua quá trình học. SVTH: Phan Thị Cẩm Nhi 10 Khóa luận tốt nghiệp GVHD: TS. Hoàng Hữu Trung 1.

Các phương pháp phân lớp Một bài toán được gọi là Phân lớp nếu các nhãn dán của dữ liệu đầu vào được chia thành một số hữu hạn nhóm. Ví dụ: Gmail xác định xem một email có phải là spam hay không; các hãng tín dụng xác định xem một khách hàng có khả năng thanh toán nợ hay không.