HỒI QUY TUYẾN TÍNH – CHIẾC KÍNH THIÊN VĂN NHÌN VÀO TƯƠNG LAI TỪ DỮ LIỆU

Ở bài viết trước, chúng ta đã nếu rõ vấn đề để phân biệt giữa Tương quan và Nhân quả. Chúng ta đã biết rằng hai biến số X và Y có thể "nhảy cùng một điệu", nhưng chưa chắc việc này đã đẻ ra việc kia.

Tuy nhiên, nếu bạn đã chứng minh được mối quan hệ giữa chúng là có thật, câu hỏi tiếp theo của một nhà phân tích dữ liệu hay một chủ doanh nghiệp sẽ là: "Nếu tôi thay đổi X thêm 1 đơn vị, thì Y sẽ biến đổi chính xác bao nhiêu?"

Đây là lúc chúng ta bước từ thế giới Thống kê mô tả sang thế giới Thống kê dự báo bằng công cụ kinh điển nhất của Data Science và Machine Learning: Hồi quy tuyến tính (Linear Regression).

1. Bản chất: Vẽ một đường thẳng băng qua sự ngẫu nhiên

Hãy tưởng tượng bạn thu thập dữ liệu về diện tích và giá bán của 100 căn hộ tại TP.HCM. Khi chấm 100 tọa độ đó lên mặt phẳng, bạn sẽ nhận được một "đám mây" các điểm dữ liệu nằm rải rác.

Hồi quy tuyến tính là thuật toán đi tìm một đường thẳng tối ưu đâm xuyên qua đám mây dữ liệu đó, sao cho đường thẳng này đại diện tốt nhất cho xu hướng chung của toàn bộ tập hợp.

Phương trình của đường thẳng dự báo có dạng:

Y = aX + b +Ɛ

Trong đó:

Y (Biến phụ thuộc - Target): Con số bạn muốn dự đoán (ví dụ: Giá nhà, Doanh thu bán hàng).
X (Biến độc lập - Feature): Con số bạn đã biết trước (ví dụ: Diện tích căn hộ, Chi phí quảng cáo TikTok).
a (Hệ số góc / Slope): Độ nhạy. (ví dụ: Nếu diện tích tăng thêm 1 m2, giá nhà sẽ tăng thêm bao nhiêu triệu đồng?)
b (Điểm cắt trục tung / Intercept): Mức nền cơ bản khi X = 0.
Ɛ (Sai số / Residuals): Khoảng lệch giữa giá trị thực tế và giá trị đường thẳng dự báo.

<-block _nghost-ng-c77510477="" class="ng-star-inserted" style="font-family:"Google Sans Text", sans-serif !important; line-height:1.15 !important; margin-top:8px">2. Bí thuật OLS: Làm sao để tìm ra đường thẳng "chuẩn" nhất?

Có vô số đường thẳng có thể vẽ xuyên qua đám mây dữ liệu. Vậy làm sao máy tính chọn ra đường thẳng duy nhất được gọi là "tối ưu"?

Máy tính sử dụng phương pháp Bình phương tối thiểu (Ordinary Least Squares - OLS).

Với mỗi đường thẳng thử nghiệm, máy tính tính khoảng cách thẳng đứng từ từng điểm dữ liệu thực tế đến đường thẳng đó.
Bình phương tất cả các khoảng cách này lên (để làm mất dấu âm và trừng phạt nặng các điểm lệch xa).
Cộng tất cả lại. Đường thẳng nào có tổng bình phương sai số là nhỏ nhất, đường thẳng đó chiến thắng!

3. Ví dụ thực chiến: Bài toán ngân sách Marketing TikTok

Giả sử bạn là chủ một thương hiệu thời trang local brand. Bạn theo dõi dữ liệu chi tiêu quảng cáo TikTok và doanh số bán hàng trong 6 tháng qua. Khi đưa vào mô hình Hồi quy tuyến tính, máy tính trả về phương trình:

Doanh thu (triệu VNĐ) = 4.5*Chi phí + 50

Đọc vị con số này thế nào?

b = 50: Nếu tháng này bạn không tốn 1 đồng quảng cáo nào (X = 0), bạn vẫn bán được 50 triệu VNĐ nhờ khách quen hoặc tìm kiếm tự nhiên.
a = 4.5: Mỗi khi bạn "bơm" thêm 1 triệu VNĐ vào quảng cáo TikTok, bạn dự kiến thu về thêm 4.5 triệu VNĐ doanh thu.
Ứng dụng dự báo: Tháng sau bạn dự định chi 20 triệu VNĐ tiền Ads. Mô hình sẽ tính ngay giúp bạn:

Doanh thu dự báo = 4.5*20 + 50 = 140 triệu VNĐ

4. Cạm bẫy "chết người" khi nhìn vào tương lai

Hồi quy tuyến tính rất mạnh mẽ, nhưng nó có 2 cạm bẫy kinh điển mà bạn phải tránh:

Bẫy 1: Nguy cơ ngoại suy (Extrapolation Trap)

Nếu phương trình trên bảo chi 20 triệu ăn 140 triệu, liệu chi 1 tỷ VNĐ Ads có thu về 4.5* 1000 + 50 = 4.55 tỷ VNĐ không?

Thực tế: Không bao giờ! Thị trường sẽ bị bão hòa, tệp khách hàng sẽ cạn kiệt. Hồi quy tuyến tính chỉ chính xác trong khoảng dữ liệu bạn đã từng quan sát. Đừng bao giờ kéo dài đường thẳng ra quá xa thực tế.

Bẫy 2: Giả định "mọi thứ đều thẳng"

Thực tế cuộc sống hiếm khi là một đường thẳng tắp.

Mối quan hệ giữa Số giờ học và Điểm số ban đầu tăng rất nhanh, nhưng sau đó sẽ đi ngang (đạt trần 10 điểm).
Mối quan hệ giữa Tuổi tác và Thu nhập thường có hình cầu võng (tăng ở tuổi trẻ, đạt đỉnh ở trung niên và giảm khi về hưu).
Nếu ép một dữ liệu cong vào một đường thẳng, mô hình của bạn sẽ dự báo sai hoàn toàn.

5. Đánh giá độ chính xác với R^2 (R-squared)

Làm sao biết đường thẳng hồi quy của bạn dự báo đáng tin đến mức nào? Hãy nhìn vào chỉ số R^2 (Hệ số xác định).

R^2 chạy từ 0 đến 1 (hoặc 0\% đến 100\%): Nó cho biết bao nhiêu phần trăm sự biến động của Y được giải thích bởi biến X.
Nếu R^2 = 0.85 (85\%): Tuyệt vời! Chi phí Ads giải thích được 85% sự biến động doanh thu của bạn. 15% còn lại là do yếu tố khác (thời tiết, mẫu mã, đối thủ).
Nếu R^2 = 0.15 (15\%): Đường thẳng này rất tệ. Bạn cần tìm một biến X khác phù hợp hơn.

Lời kết cho Series "Thám tử Dữ liệu"

Từ một hình chuông Phân phối chuẩn mơ hồ, qua chiếc kính lúp 3 Sigma, bằng phán quyết nghiêm khắc của P-value, bóc tách cái bẫy Tương quan - Nhân quả, và hôm nay là đường thẳng dự báo Hồi quy tuyến tính — bạn đã sở hữu trọn bộ tư duy cốt lõi của một nhà phân tích dữ liệu hiện đại.

Dữ liệu không còn là những con số vô hồn. Chúng là câu chuyện, là bằng chứng, và là bản đồ dẫn đường cho mọi quyết định quan trọng trong công việc lẫn cuộc sống. Hãy tiếp tục giữ sự tò mò và lăng kính phản biện sắc bén này trên mọi hành trình sắp tới!