Stacking

Stacking (Model Stacking) là gì?

Stacking hay Model Stacking là kỹ thuật ensemble learning kết hợp dự đoán từ nhiều mô hình cơ sở (base models) thông qua một mô hình meta (meta-learner) nhằm cải thiện độ chính xác dự báo. Mỗi mô hình cơ sở được huấn luyện trên tập dữ liệu gốc, sau đó mô hình meta học cách tối ưu trọng số kết hợp các dự đoán này. Trong ngân hàng Việt Nam, stacking được ứng dụng trong chấm điểm tín dụng, phát hiện gian lận và dự báo rủi ro theo khuyến nghị của NHNN về ứng dụng AI/ML trong hoạt động ngân hàng tại Quyết định 2345/QĐ-NHNN năm 2023.

Đặc điểm

• Đa dạng mô hình cơ sở: Kết hợp các mô hình khác loại như Logistic Regression, Random Forest, XGBoost, Neural Networks để tận dụng điểm mạnh của mỗi mô hình.
• Mô hình meta-learner: Thường sử dụng mô hình tuyến tính đơn giản (hồi quy logistic) hoặc mô hình phức tạp hơn để học cách kết hợp dự đoán, tránh overfitting bằng k-fold cross-validation.
• Hiệu quả vượt trội: Theo nghiên cứu thực nghiệm, stacking cải thiện 5-15% độ chính xác so với mô hình đơn lẻ trong bài toán phát hiện giao dịch đáng ngờ.
• Tuân thủ quy định: Kết quả mô hình stacking cần được giải thích (explainable AI) theo yêu cầu tại Điều 14 Quyết định 2345/QĐ-NHNN về tính minh bạch của mô hình AI trong ngân hàng.

Ví dụ

Ngân hàng Techcombank xây dựng hệ thống phát hiện gian lận thẻ tín dụng sử dụng stacking với 3 mô hình cơ sở: XGBoost (xử lý dữ liệu phi tuyến), Random Forest (chống overfitting) và Neural Network (bắt pattern phức tạp). Mô hình meta-learner là Logistic Regression nhận đầu vào là xác suất gian lận từ 3 mô hình trên. Kết quả, hệ thống đạt độ chính xác AUC = 0.94, cao hơn 8% so với mô hình XGBoost đơn lẻ, giúp giảm thiệt hại do gian lận ước tính hơn 200 tỷ đồng/năm đồng thời tuân thủ quy định về giám sát giao dịch đáng ngờ theo Luật Phòng chống rửa tiền 2022.