Luận văn tập trung nghiên cứu các phương pháp học máy có giám sát nhằm nâng cao độ chính xác trong hỗ trợ chẩn đoán bệnh ung thư vú. Các thuật toán như K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree, Random Forest và mô hình hồi quy logistic được khảo sát và đánh giá trên bộ dữ liệu chuẩn về ung thư vú. Quá trình thực nghiệm bao gồm tiền xử lý dữ liệu, lựa chọn đặc trưng và tối ưu hóa tham số nhằm cải thiện hiệu suất phân loại. Kết quả cho thấy các mô hình học máy, đặc biệt là Random Forest và SVM, đạt độ chính xác cao trong việc phân biệt khối u lành tính và ác tính. Nghiên cứu khẳng định tiềm năng ứng dụng của học máy có giám sát trong việc hỗ trợ bác sĩ đưa ra chẩn đoán sớm và chính xác, góp phần giảm thiểu sai sót y khoa và nâng cao hiệu quả điều trị ung thư vú.