7 thuật toán Machine Learning vẫn cực kỳ quan trọng trong kỷ nguyên AI

from xgboost import XGBClassifier

model = XGBClassifier(tree_method="hist")
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

Tham số tree_method="hist" cho phép XGBoost sử dụng phương pháp Histogram để xây dựng cây quyết định, giúp tăng tốc quá trình tìm kiếm điểm chia dữ liệu và cải thiện hiệu suất huấn luyện.

Nhờ tính linh hoạt, độ ổn định và hiệu quả cao trên dữ liệu bảng, XGBoost vẫn là lựa chọn hàng đầu của rất nhiều nhà khoa học dữ liệu.

5. Random Forest

Random Forest là một thuật toán Ensemble Learning nổi tiếng, kết hợp nhiều cây quyết định thay vì chỉ sử dụng một cây duy nhất.

Trong quá trình huấn luyện, mỗi cây sẽ được xây dựng trên một tập dữ liệu và một tập đặc trưng khác nhau. Sau đó, kết quả từ tất cả các cây sẽ được tổng hợp để đưa ra dự đoán cuối cùng.

Với bài toán phân loại, các cây sẽ bỏ phiếu để quyết định nhãn. Với bài toán hồi quy, kết quả cuối cùng là giá trị trung bình của tất cả các cây.

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(
    n_estimators=100,
    random_state=42
)

model.fit(X_train, y_train)

y_pred = model.predict(X_test)

Trong ví dụ trên, n_estimators=100 nghĩa là mô hình sẽ xây dựng 100 cây quyết định.

Random Forest rất dễ sử dụng, hoạt động tốt trên nhiều bộ dữ liệu và còn có khả năng đánh giá tầm quan trọng của từng đặc trưng, giúp người dùng hiểu yếu tố nào ảnh hưởng nhiều nhất đến kết quả dự đoán.

6. Long Short-Term Memory (LSTM)

LSTM là một biến thể của mạng nơ-ron hồi tiếp (Recurrent Neural Network - RNN), được thiết kế để xử lý dữ liệu dạng chuỗi.

Không giống các thuật toán Machine Learning truyền thống, LSTM xử lý dữ liệu theo từng bước thời gian và duy trì trạng thái ghi nhớ bên trong thông qua các cơ chế gọi là "gate". Những cơ chế này quyết định thông tin nào cần được lưu lại, cập nhật hoặc loại bỏ.

Nhờ vậy, LSTM có thể tận dụng các quan sát trước đó để cải thiện dự đoán ở các bước tiếp theo, rất phù hợp với các bài toán như dự báo doanh số, dự báo lưu lượng giao thông, phân tích dữ liệu cảm biến hay chuỗi thời gian nói chung.

from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    keras.Input(shape=(X_train.shape[1], X_train.shape[2])),
    layers.LSTM(64),
    layers.Dense(1)
])

model.compile(
    optimizer="adam",
    loss="mean_squared_error"
)

model.fit(X_train, y_train, epochs=20)

y_pred = model.predict(X_test)

Trong ví dụ trên, lớp LSTM(64) bao gồm 64 đơn vị LSTM xử lý chuỗi dữ liệu, còn Dense(1) tạo ra một giá trị dự đoán duy nhất.

Thông thường, dữ liệu đầu vào của LSTM được tổ chức theo định dạng samples × time steps × features. Mặc dù có khả năng học các mẫu dữ liệu phức tạp theo thời gian, LSTM thường yêu cầu nhiều dữ liệu và tài nguyên tính toán hơn so với các thuật toán Machine Learning truyền thống.

7. K-Means Clustering

Khác với những thuật toán trên, K-Means là thuật toán học không giám sát (Unsupervised Learning), dùng để nhóm các điểm dữ liệu có đặc điểm giống nhau mà không cần dữ liệu được gán nhãn trước.

Thuật toán bắt đầu bằng cách lựa chọn một số tâm cụm (centroid). Mỗi điểm dữ liệu sẽ được gán vào tâm gần nhất, sau đó vị trí của các tâm cụm được tính toán lại dựa trên các điểm thuộc cùng nhóm. Quá trình này được lặp lại nhiều lần cho tới khi các cụm gần như không còn thay đổi.

from sklearn.cluster import KMeans

model = KMeans(
    n_clusters=3,
    n_init=10,
    random_state=42
)

clusters = model.fit_predict(X)

Trong ví dụ trên, n_clusters=3 yêu cầu mô hình chia dữ liệu thành ba nhóm, còn n_init=10 giúp thuật toán thử nhiều cách khởi tạo tâm cụm khác nhau và lựa chọn kết quả tốt nhất.

K-Means thường được sử dụng để phân khúc khách hàng, phát hiện các nhóm hành vi tương đồng hoặc khám phá cấu trúc tiềm ẩn trong dữ liệu chưa được gán nhãn. Tuy nhiên, hạn chế lớn nhất là người dùng phải xác định trước số lượng cụm cần tạo.

Kết luận

Những thuật toán trên vẫn được sử dụng rộng rãi trong rất nhiều hệ thống AI hiện đại vì một lý do đơn giản: chúng hoạt động hiệu quả.

Ngay cả trong các dự án thực tế, nhiều nhà khoa học dữ liệu vẫn ưu tiên sử dụng Machine Learning truyền thống bởi các mô hình này có tốc độ huấn luyện nhanh, dễ triển khai, yêu cầu ít CPU, RAM và hạ tầng hơn rất nhiều so với các hệ thống AI tạo sinh.

Không phải bài toán nào cũng cần đến Large Language Model hay Generative AI. Với nhiều tác vụ chuyên biệt, một mô hình Machine Learning đơn giản hoàn toàn có thể mang lại kết quả tốt hơn mà không cần fine-tune mô hình hàng tỷ tham số hay xây dựng cả một hệ thống AI phức tạp.

Cuối cùng, kỹ năng quan trọng nhất của một Data Scientist không phải là luôn chọn mô hình mới nhất, mà là biết lựa chọn đúng mô hình cho đúng bài toán.