Làm sao phân biệt rõ bài toán Regression và Classification trong thực tế?

Bạn đang hỏi: “Nhìn bài toán thực tế thì làm sao biết đó là Regression hay Classification? Có phải cứ dự đoán số là Regression, dự đoán nhãn là Classification không?”
Tóm gọn: Regression = dự đoán giá trị liên tục. Classification = dự đoán nhãn/nhóm rời rạc.
Chỉ cần nhìn vào output, bạn đã phân loại được 80% bài toán.

Bài viết này sẽ giúp bạn:

• Hiểu Regression & Classification theo ngôn ngữ dễ nhớ
• Nhận biết nhanh bằng ví dụ đời thực
• Tránh các “bẫy nhầm lẫn” phổ biến
• Biết cách luyện tập và biết hai dạng bài toán xuất hiện thế nào trong AIO

---

Regression là gì? Trong thực tế giống những tình huống nào?

Regression = dự đoán một con số liên tục, không bị giới hạn vào vài nhóm cố định.

Ví dụ Regression ngoài đời

Dự đoán giá:

• Giá nhà
• Giá thuê Airbnb

Dự đoán lượng/khối lượng:

• Tiêu thụ điện
• Lượng mưa
• Mức ô nhiễm PM2.5

Dự đoán thời gian:

• Thời gian giao hàng
• Thời gian hoàn thành task

Đặc trưng:

• Output là số thực (float): 3.25, 11.7, 180.2…
• Các giá trị có thể liền nhau, không bị “gò” vào nhóm

Gợi ý nhận diện:
“how much / how many / how long” → rất có thể là Regression.

---

Classification là gì? Trông như thế nào trong thực tế?

Classification = gán mỗi mẫu vào một hoặc nhiều nhãn rời rạc.

Ví dụ Classification ngoài đời

Binary (2 lớp):

• Spam / không spam
• Churn / không churn
• Gian lận / không gian lận

Multi-class:

• Chó / mèo / ngựa / chim
• Sentiment: tích cực / tiêu cực / trung lập

Multi-label:

• Một bài báo vừa thuộc “AI”, vừa “Kinh tế”
• Một ảnh sản phẩm có nhiều tag

Đặc trưng:

• Output là label
• Mô hình trả xác suất → chọn lớp có xác suất cao nhất

Gợi ý nhận diện:
“thuộc loại nào / good or bad / spam or not” → Classification.

---

Quy tắc vàng: Nhìn output trước – đừng nhìn input

Người mới hay xem các cột đầu vào (toàn số) rồi tưởng là Regression.

Điều quan trọng là bài toán yêu cầu dự đoán cái gì.

Ba câu hỏi để phân loại bài toán

Kết quả cần là số liên tục hay nhãn?
→ Liên tục = Regression, rời rạc = Classification.

Business cần “đúng nhóm” hay “đúng giá trị”?
→ Nhóm → Classification.
→ Giá trị cụ thể → Regression.

Nếu nhóm lại/giảm độ chi tiết thì còn ý nghĩa không?
→ Còn → Classification.
→ Mất ý nghĩa → Regression.

---

Các trường hợp dễ gây nhầm: số nhưng là phân loại

Ví dụ 1: Dự đoán đánh giá 1–5 sao

Trông như dự đoán số nhưng thực chất:

• Đây là 5 lớp rời rạc → multi-class classification
• Khoảng cách giữa các mức sao không tuyến tính

Ví dụ 2: Dự đoán nhóm thu nhập

Dù thu nhập là số, nhưng nếu bài toán chỉ cần biết:

• <10m
• 10–20m
• 20–50m

• 50m

→ Output là nhóm → Classification.

---

So sánh nhanh Regression vs Classification

Đặc điểm	Regression	Classification
Output	Số thực liên tục	Nhãn rời rạc
Câu hỏi	Bao nhiêu? Trong khoảng nào?	Thuộc loại nào? Là A hay B?
Ví dụ	Giá nhà, ô nhiễm, thời gian	Spam, churn, chó/mèo
Metric	MSE, RMSE, MAE, R²	Accuracy, Precision, Recall, F1, ROC–AUC
Mô hình đơn giản	Linear Regression	Logistic Regression, Tree, RF, XGBoost

---

Một bài toán có thể vừa Regression vừa Classification không?

Có – và rất phổ biến.

Ví dụ: chấm điểm rủi ro tín dụng

• Regression: điểm rủi ro 0–1
• Classification: chia thành cao / trung bình / thấp

Ví dụ: xác suất mua hàng

• Regression: model cho xác suất
• Classification: đặt ngưỡng → phân loại

Hãy nhớ: Việc chọn formulation phụ thuộc mục tiêu business.

---

Sai lầm phổ biến khi phân biệt Regression & Classification

Sai lầm 1: Cứ thấy số là Regression

Rating 1–5, nhóm thu nhập → đều là Classification.

Sai lầm 2: Không nói chuyện với business

Mô hình churn có thể là:

• Regression (dự đoán xác suất), hoặc
• Classification (churn/không churn)

Hãy hỏi xem business cần gì.

Sai lầm 3: Dùng sai metric

MSE cho classification → vô nghĩa
Accuracy cho regression → sai hoàn toàn

---

Nếu mình là Newbie & Non-Tech, luyện sao cho “nhìn là biết”?

Gợi ý luyện tập

• Viết 20–30 bài toán đời thường → tự phân loại
• Xem Kaggle → đoán trước “Reg” hay “Class”
• Khi làm project → hỏi business: “bao nhiêu hay thuộc nhóm nào?”

Trong AIO, bạn gặp cả hai rất nhiều

Regression:

• Dự đoán ô nhiễm không khí
• Dự đoán giá thuê Airbnb

Classification:

• Churn khách hàng
• Phân loại review

Làm nhiều sẽ thành trực giác.

---

Regression & Classification trong lộ trình AIO 1 năm

AIO2026 – chương trình AI & Data Science 1 năm dành cho Newbie & Non-Tech:

• Pre-AIO: Python, Toán, CS nền tảng
• AIO (12 module, 5 cấp độ): ML → DL → CV → NLP → GenAI/LLM → GNN → Mamba → MLOps

Yêu cầu: ≥ 28 giờ/tuần
Cam kết: kiến thức thật – dự án thật – mentor đồng hành

Ở phần Machine Learning (Mức 4), bạn học:

• Regression: Linear, Ridge/Lasso…
• Classification: Logistic, Tree, RF, XGBoost…
• Kèm mini-project thực tế, học đầy đủ pipeline từ EDA đến Evaluate.

---

FAQ – Câu hỏi nhanh về Regression & Classification

Mình là con số 0, có cần hiểu kỹ không?

Chỉ cần trực giác:
Dự đoán số → Regression.
Dự đoán nhóm → Classification.

Metric của hai loại có dùng chung không?

Không.
Reg → MSE/RMSE/MAE
Class → Accuracy/F1/ROC–AUC

Có thể chuyển giữa hai loại bài toán không?

Có (Reg → Class).
Ngược lại thì khó hơn.

Trong AIO có làm cả hai không?

Có – rất nhiều.
Đây là hai “trụ cột” của ML.

---

📌 Tài nguyên AI VIET NAM

• Chương trình AIO: https://aivietnam.edu.vn/course
• Bài viết & tài liệu: https://aioconquer.aivietnam.edu.vn/
• Tutorial: https://tutorial.aivietnam.edu.vn/
• Lộ trình AIO: https://aioconquer.aivietnam.edu.vn
• Fanpage: https://www.facebook.com/aivietnam.edu.vn