Underfitting

Underfitting là gì?

Underfitting (thiếu khớp) là hiện tượng mô hình thống kê hoặc thuật toán học máy quá đơn giản, không nắm bắt được các quy luật và mối quan hệ thực tế trong dữ liệu, dẫn đến sai số lớn cả trên tập huấn luyện lẫn tập kiểm tra. Trong ngân hàng, đây là rủi ro nghiêm trọng vì mô hình có thể bỏ sót khách hàng nợ xấu hoặc đánh giá thấp rủi ro tín dụng, ảnh hưởng đến trích lập dự phòng theo Thông tư 11/2021/TT-NHNN.

Đặc điểm chính

• Độ chệch (bias) cao, phương sai (variance) thấp: Mô hình có dạng hàm quá đơn giản so với cấu trúc dữ liệu thực - ví dụ dùng hồi quy tuyến tính cho dữ liệu có quan hệ phi tuyến.
• Sai số huấn luyện cao: Cả training error và test error đều lớn, hai đường loss gần như trùng nhau và dừng ở mức cao.
• Số lượng đặc trưng ít: Bỏ qua các biến quan trọng như thu nhập, lịch sử tín dụng, ngành nghề trong mô hình chấm điểm.
• Mô hình cố định quá mức: Áp đặt giả định chặt (như phân phối chuẩn, độc lập biến) không phù hợp dữ liệu thực tế Việt Nam.

Ví dụ minh họa

Một quỹ tín dụng tiêu dùng xây dựng mô hình dự báo khả năng trả nợ chỉ dựa trên 2 biến: tuổi và giới tính. Kết quả kiểm định cross-validation cho thấy AUC chỉ đạt 0.52 (gần ngẫu nhiên), tỷ lệ bỏ sót nợ xấu (false negative) lên tới 65%. Mô hình underfitting này khiến ngân hàng không trích lập đủ dự phòng rủi ro theo Điều 6 Thông tư 11/2021/TT-NHNN, vi phạm nguyên tắc thận trọng. Để khắc phục, nhà phát triển cần bổ sung thêm các biến như lịch sử trả nợ CIC, tỷ lệ nợ trên thu nhập (DTI), biến động lương 6 tháng, đồng thời chuyển sang mô hình Gradient Boosting hoặc Logistic Regression với biến phi tuyến. Đây cũng là lý do Quyết định 630/QĐ-NHNN về triển khai Basel II yêu cầu kiểm định backtesting liên tục để loại bỏ mô hình thiếu khớp.