Vì sao một dataset đã đúng, đủ nhưng không phải là tập đại diện?

Ví dụ 1: Nhận diện khuôn mặt

Dataset:

• 100,000 ảnh khuôn mặt 
• Không có ảnh lỗi (“đúng”) 
• Không thiếu dữ liệu: đủ Âu, Á, Phi . . . ( “đủ”) 

Nhưng:

• 90% là người châu Âu 
• Rất ít người châu Á, châu Phi 

 Kết quả:

• Model nhận diện tốt người da trắng 
• Nhận diện kém người da màu 

Kết luận:

• Dataset đúng + đủ
• Nhưng không đại diện cho dân số thực

Ví dụ 2: Dự đoán bệnh

Dataset:

• 50,000 hồ sơ bệnh án 
• Đầy đủ: tuổi, giới tính, xét nghiệm
• Dữ liệu sạch, chuẩn bệnh viện 

Nhưng: Toàn bộ lấy từ bệnh viện tuyến trung ương

Vấn đề:

• Bệnh nặng nhiều hơn bình thường
• Không có dữ liệu bệnh nhẹ / cộng đồng 
•  

 Kết quả: Model “nghĩ rằng ai cũng bệnh nặng” 

Đây là lỗi: Mẫu bị thiên lệch

Ví dụ 3: Dự đoán thu nhập

Dataset:

• 10,000 người 
• Feature đầy đủ: nghề, học vấn, kinh nghiệm 

Nhưng: Chỉ lấy từ thành phố lớn (HCM, Hà Nội)

Thiếu:

• Nông thôn 
• Lao động phổ thông 

Kết quả: Model dự đoán sai cho phần lớn dân số 

Ví dụ 4: Tìm  Spam 

Dataset:

• 1 triệu email 
• Label chính xác 
• Không thiếu 

Nhưng: Toàn bộ email lấy từ năm 2010-2024. 

Vấn đề: Spam email năm 2025 khác hoàn toàn 

 Kết quả: Model “học lịch sử”, không học hiện tại. Đây là: Temporal bias (lệch thời gian)

Ví dụ 5 : Lái xe

Dataset:

• 1 triệu ảnh đường phố 
• Label chuẩn 
• Đầy đủ tình huống: ngày lễ, ngày thường ....

Nhưng:

• 95% chụp ban ngày 
• 5% là: Ban đêm; Mưa lớn; Sương mù 

Kết quả:

• Xe chạy tốt ban ngày 
• Ban đêm, sương mù, mưa: xe chạy không tốt, nguy hiểm 

Chú ý quan trọng

Một dataset có thể:

•  Đúng (clean) 
•  Đủ (no missing) 
•  Nhưng vẫn sai (vì không đủ đại diện) 

Công thức tạm để nhớ nhanh

Dataset tốt = Đúng × Đủ × Đại diện

Chỉ cần 1 yếu tố = 0; thì phép tích =0 (toàn bộ hệ thống coi như hỏng)