Ứng dụng học máy trong dự đoán giá nhà nguyên căn tại việt nam

BỘ KẾ HOẠCH VÀ ĐẦU TƯ HỌC VIỆN CHÍNH SÁCH VÀ PHÁT TRIỂN - - KHÓA LUẬN TỐT NGHIỆP ĐỀ TÀI: ỨNG DỤNG HỌC MÁY TRONG DỰ ĐOÁN GIÁ NHÀ NGUYÊN CĂN TẠI VIỆT NAM Sinh viên thực hiện: Phan Quốc Huy Mã sinh viên: 7103101322 Lớp: KTDL10, Khoa Kinh Tế Số Ngành học: Phân tích liệu lớn kinh tế kinh doanh Giáo viên hướng dẫn: TS Nguyễn Hữu Xuân Trường HÀ NỘI, NĂM 2023 LỜI CAM ĐOAN Tơi xin cam đoan Khóa luận với đề tài “Ứng dụng học máy dự đoán giá nhà nguyên Việt Nam” tự thân thực hiện, có hỗ trợ giáo viên hướng dẫn khơng chép cơng trình nghiên cứu người khác Các số liệu Khóa luận sử dụng trung thực trích dẫn rõ ràng Nếu sai tơi xin hồn tồn chịu trách nhiệm Hà Nội, tháng năm 2023 Sinh viên Huy Phan Quốc Huy i LỜI CẢM ƠN Sau bốn năm học tập, nghiên cứu, thân em có trải nhiệm mơi trường học tập tốt ngồi việc nâng cao kiến thức em cịn hồn thiện kỹ phát triển thân, em xin bày tỏ lòng biết ơn tới Học viện Chính sách Phát triển trường em theo học suốt quãng thời gian sinh viên Đặc biệt em muốn gửi lời cảm ơn trân thành sâu sắc đến TS Nguyễn Hữu Xuân Trường, thầy tận tình hướng dẫn, quan tâm giúp đỡ đóng góp nhiều ý kiến giúp em hồn thiện khóa luận tốt nghiệp Đồng thời, em muốn gửi lời cảm ơn tới quý thầy, cô giáo khoa Kinh Tế Số, Học viện Chính sách Phát triển quan tâm, giảng dạy tư vấn cho em suốt trình học tập, kiến thức thầy cô truyền đạt lớp tảng giúp em phát triển tốt cho công việc sau Tuy nhiên q trình hồn thiện luận văn trình độ kỹ em cịn hạn chế nên khơng thể tránh khỏi khuyết điểm thiếu sót Em mong nhận ý kiến đóng góp thầy để luận văn hoàn thiện hơn, đồng thời giúp em nâng cao kiến thức để phục vụ tốt cho trình công tác thực tế thời gian tới Một lần em xin chân thành cảm ơn! Hà Nội, tháng năm 2023 Sinh viên Huy Phan Quốc Huy ii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC VIẾT TẮT v DANH MỤC BẢNG BIỂU vi DANH MỤC HÌNH ẢNH vii MỞ ĐẦU viii Đặt vấn đề viii Lý chọn đề tài .ix Mục tiêu x 3.1 Về lý thuyết x 3.2 Về thực nghiệm x Đối tượng phạm vi nghiên cứu x Phương pháp nghiên cứu xi Kết cấu khoá luận xii CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ HỌC MÁY VÀ MƠ HÌNH HỒI QUY DỰ ĐOÁN 1.1 Tổng quan học máy 1.1.1 Học máy gì? 1.1.2 Các kỹ thuật học máy 1.1.3 Sự quan trọng học máy 1.1.4 Ứng dụng học máy 1.2 Mơ hình hồi quy 1.2.1 Mơ hình hồi quy gì? 1.2.2 Các kỹ thuật sử dụng mô hình hồi quy 1.2.3 Quy trình xây dựng hồi quy liệu 16 1.2.4 Ứng dụng mô hình hồi quy 17 1.2.5 Giới thiệu toán dự đoán giá nhà 18 iii CHƯƠNG 2: DỰ ĐỐN GIÁ NHÀ BẰNG MƠ HÌNH HỒI QUY .21 2.1 Các bước thực toán dự đoán giá nhà 21 2.2 Chuẩn bị liệu 21 2.2.1 Mô tả liệu 21 2.2.2 Công cụ sử dụng để cào liệu 23 2.2.3 Quy trình cạo liệu 26 2.2.4 Làm liệu 27 2.2.5 Phân tích khám phá liệu 31 2.3 Xây dựng mơ hình hồi quy 32 2.3.1 Quy trình huấn luyện mơ hình 32 2.3.2 Đánh giá mô hình huấn luyện 33 2.4 Thực nghiệm mơ hình hồi quy 37 2.4.1 Mơ hình hồi quy LinearRegression 37 2.4.2 Mơ hình hồi quy RandomForestRegressor 39 2.4.3 Mơ hình hồi quy Ridge 40 2.4.4 Mơ hình hồi quy DecisionTree 42 2.4.5 Mơ hình hồi quy XGB 43 2.4.6 Mơ hình hồi quy Support Vector Regression 45 CHƯƠNG 3: ĐÁNH GIÁ, ĐỀ XUẤT ỨNG DỤNG NHẰM NÂNG CAO KHẢ NĂNG DỰ ĐOÁN 48 3.1 Đánh giá toán dự đoán giá nhà 48 3.1.1 Những vấn đề tồn đọng 48 3.1.2 Hướng giải 49 3.2 Đề xuất ứng dụng dự đoán giá nhà 50 3.2.1 Những điểm mà ứng dụng dự đoán giá nhà mang lại 50 3.2.2 Đề xuất số ứng dụng dự đoán giá nhà sử dụng 51 KẾT LUẬN 54 TÀI LIỆU THAM KHẢO 55 iv DANH MỤC VIẾT TẮT STT Chữ viết tắt Chữ Tên AI Trí tuệ nhân tạo GDP Mức tăng trưởng kinh tế nước ML Machine Learning – học máy XML eXtensible Markup Language XPath XML Path Language HTTP MSE Mean squared error (Sai số tồn phương trung bình) MAE Mean Absolute Error (Sai số tuyệt đối trung bình) XGB XGBoost (Extreme Gradient Boosting) 10 SVR Support Vector Regression Tên đầy đủ HyperText Transfer Protocol (giao thức truyền tải siêu văn bản) v DANH MỤC BẢNG BIỂU Bảng Mô tả liệu thông tin nhà 23 Bảng Thể kết thống kê liệu 30 Bảng Thể kết thống kê liệu 47 vi DANH MỤC HÌNH ẢNH Hình 1.1 Trí tuệ nhân tạo học máy Hình 1.2 Quy trình hoạt động Supervised learning Hình 1.3 Quy trình hoạt động Unsupervised learning Hình 1.4 Quy trình hoạt động Semi-supervised learning Hình 1.5 Bài tốn dự đốn giá nhà 18 Hình 2.1 Quy trình cạo liệu 26 Hình 2.2 Dữ liệu mô tả sau gộp lại 28 Hình 2.3 Biểu đồ hiển thị phân phối tần số cột chưa xử lý 29 Hình 2.4 Biểu đồ hiển thị phân phối tần số cột qua xử lý 29 Hình 2.5 Hệ số tương quan trường liệu 31 Hình 2.6 Biểu đồ thể số phòng ngủ thiết kế tầng 31 Hình 2.7 Biểu đồ thể mức giá diện tích nhà 32 Hình 2.8 Quy trình huấn luyện mơ hình 33 Hình 2.9 Cơng thức tính số MSE 34 Hình 2.10 Cơng thức tính số MAE 35 Hình 2.11 Biểu đồ thể mối quan hệ giá trị thực gốc LinearRegression 38 Hình 2.12 Biểu đồ thể mối quan hệ giá trị thực gốc RandomForestRegressor 40 Hình 2.13 Biểu đồ thể mối quan hệ giá trị thực gốc RidgeRegressor 41 Hình 2.14 Biểu đồ thể mối quan hệ giá trị thực gốc DecisionTreeRegressor 43 Hình 2.15 Biểu đồ thể mối quan hệ giá trị thực gốc XGBRegressor 44 Hình 2.16 Biểu đồ thể mối quan hệ giá trị thực gốc SupportVectorRegression 46 vii MỞ ĐẦU Đặt vấn đề Hiện nay, dân số Việt Nam tính đến thời điểm đạt ngưỡng 100 triệu người, gần 40% dân số nước sống thành thị 60% dân số sống nơng thơn; tiếp mật độ dân số nước tăng mạnh đạt tới số 320 người ki-lô-mét vuông, riêng hai thành phố lớn Thành Phố Hồ Chí Minh Hà Nội có mật độ dân số 2000 người cao gấp đến lần so với nước Điều đáng ý phân bổ dân số có chênh lệch vùng miền tình trạng di dân tự tiếp diễn Điều cho thấy Việt Nam q trình phát triển thị hố nhanh chóng, việc hình thành khu thị mới, khu công nghiệp, khu chế xuất thu hút lượng đông đảo người dân quy tụ thành phố, điều đồng nghĩa với chất lượng thu nhập người dân ổn định nhu cầu nhà điều vô cần thiết cho mục đích sau Trong vị người mua nhà, đa phần người chọn mua nhà nguyên thay mua hộ, mua nhà ngun họ bị rủi ro so với mua hộ ví dụ cố thang máy điều xảy đến vào lúc khơng may Ngồi họ khơng phải chịu tác động từ chủ tồ nhà có biến cố xảy đến, đồng thời họ khơng chi phí gửi xe nhà ngun họ đưa xe vào nhà mà không lo bị mất, bị tráo đổi xe, hay bị mũ bảo hiểm Nhà ngun có tính ổn định giữ lâu hơn, tự đập phá xây lại nhà rộng rãi hộ điều khơng thể gây ảnh hưởng tồ nhà Vì thế, việc mua nhà nguyên thực giải pháp ưu việt Đứng trước tình hình lạm phát năm vừa qua, chi phí sinh hoạt hàng ngày đắt đỏ tất nhiên giá nhà ngoại lệ Theo chuyên gia, việc giá nhà bị đẩy lên cao chi phí đất, vật tư, nhân cơng, pháp lý, lãi vay tăng, ngồi thêm nạn đầu thao túng khiến giá viii - Chia liệu thành hai phần: tập huấn luyện tập kiểm tra, sử dụng hàm “train_test_split” từ thư viện “sklearn” - Xác định biến độc lập biến phụ thuộc liệu  Tạo huấn luyện mô hình: - Tạo đối tượng “Ridge” từ thư viện “sklearn” - Sử dụng phương thức “fit” để huấn luyện mơ hình tập huấn luyện  Đánh giá mơ hình: - Sử dụng mơ hình huấn luyện để dự đoán tập kiểm tra - Sử dụng độ đo sai số trung bình mean squared error (MSE) để đánh giá chất lượng dự đoán Kết thu sau huấn luyện là: Hình 2.13 Biểu đồ thể mối quan hệ giá trị thực gốc RidgeRegressor Nguồn: Kết từ nghiên cứu 41 Trong đó:  Sai số trung bình dự đốn 36.60% cho thấy mơ hình sai số trung bình cao mơ hình vừa  Chỉ số RMSE tính là: 1972.17, giảm 0.15 so với mơ hình 1, tăng 102.4 so với hai mơ hình 2.4.4 Mơ hình hồi quy DecisionTree Tiếp theo đến mơ hình hồi quy DecisionTree, sử dụng hàm DecisionTreeRegressor()) từ thư viện sklearn.tree để huấn luyện mơ hình Để sử dụng mơ hình hồi quy DecisionTreeRegressor, cần thực bước sau:  Import thư viện cần thiết: from sklearn.tree import DecisionTreeRegressor  Chuẩn bị liệu: - Chia liệu thành hai phần: tập huấn luyện tập kiểm tra, sử dụng hàm “train_test_split” từ thư viện “sklearn” - Xác định biến độc lập biến phụ thuộc liệu  Tạo huấn luyện mơ hình: - Tạo đối tượng “DecisionTreeRegressor” từ thư viện “sklearn” - Sử dụng phương thức “fit” để huấn luyện mơ hình tập huấn luyện  Đánh giá mơ hình: - Sử dụng mơ hình huấn luyện để dự đốn tập kiểm tra - Sử dụng độ đo sai số trung bình mean squared error (MSE) để đánh giá chất lượng dự đoán Kết thu sau huấn luyện là: 42 Hình 2.14 Biểu đồ thể mối quan hệ giá trị thực gốc DecisionTreeRegressor Nguồn: Kết từ nghiên cứu Trong đó:  Sai số trung bình dự đốn 35.43% cho thấy mơ hình tốt mơ hình 3, khơng tốt với mơ hình  Chỉ số RMSE tính là: 1911.45 2.4.5 Mơ hình hồi quy XGB Tiếp theo đến mơ hình hồi quy XGBoot, sử dụng hàm XGBRegressor() từ thư viện xgboost để huấn luyện mơ hình Để sử dụng mơ hình hồi quy XGBoost, cần thực bước sau:  Import thư viện cần thiết: import xgboost as xgb  Chuẩn bị liệu: 43 - Chia liệu thành hai phần: tập huấn luyện tập kiểm tra, sử dụng hàm “train_test_split” từ thư viện “sklearn” - Xác định biến độc lập biến phụ thuộc liệu  Tạo huấn luyện mơ hình: - Tạo đối tượng “XGBRegressor” từ thư viện “xgboost” - Sử dụng phương thức “fit” để huấn luyện mơ hình tập huấn luyện  Đánh giá mơ hình: - Sử dụng mơ hình huấn luyện để dự đoán tập kiểm tra - Sử dụng độ đo sai số trung bình mean squared error (MSE) để đánh giá chất lượng dự đoán Kết thu sau huấn luyện là: Hình 2.15 Biểu đồ thể mối quan hệ giá trị thực gốc XGBRegressor Nguồn: Kết từ nghiên cứu Trong đó: 44  Sai số trung bình dự đốn 33.93% cho thấy mơ hình tốt so với mơ hình 1,3 lại so với mơ hình  Chỉ số RMSE tính là: 1815.36 2.4.6 Mơ hình hồi quy Support Vector Regression Mơ hình cuối mơ hình hồi quy Support Vector, sử dụng hàm SVR() từ thư viện sklearn.svm để huấn luyện mơ hình Để sử dụng mơ hình hồi quy SupportVectorRegression, cần thực bước sau:  Import thư viện cần thiết: from sklearn import svm  Chuẩn bị liệu: - Chia liệu thành hai phần: tập huấn luyện tập kiểm tra, sử dụng hàm “train_test_split” từ thư viện “sklearn” - Xác định biến độc lập biến phụ thuộc liệu  Tạo huấn luyện mơ hình: - Tạo đối tượng “SVR” từ thư viện “sklearn” - Sử dụng phương thức “fit” để huấn luyện mơ hình tập huấn luyện  Đánh giá mơ hình: - Sử dụng mơ hình huấn luyện để dự đốn tập kiểm tra - Sử dụng độ đo sai số trung bình mean squared error (MSE) để đánh giá chất lượng dự đoán Kết thu sau huấn luyện là: 45 Hình 2.16 Biểu đồ thể mối quan hệ giá trị thực gốc SupportVectorRegression Nguồn: Kết từ nghiên cứu Trong đó:  Sai số trung bình dự đốn 41.75%, sai số gần nửa điều cho thấy mơ hình khơng tốt mơ hình trước đó, nói mơ hình số mơ hình hồi quy  Chỉ số RMSE tính là: 2169.27 46 KẾT LUẬN CHƯƠNG Trong chương 2, khóa luận sử dụng thuật tốn hồi quy Linear, RandomForest, Ridge, DecisionTree, XGBRegressor, SupportVector để dự đoán giá nhà Kết đánh giá số Sai số trung bình cho thấy mơ hình RandomForestRegressor(31.29%) hiệu so với mơ hình cịn lại Điều cho thấy mơ hình RandomForestRegressor phù hợp với tốn dự đốn giá nhà Mơ hình Sai số trung bình RMSE LinearRegression RandomForestRegressor RidgeRegressor DecisionTreeRegressor XGBRegressor SupportVectorRegression 36.59% 31.29% 36.60% 35.43% 33.95% 41.75% 1972.32 1870.13 1972.17 1911.45 1815.36 2169.27 Bảng Thể kết thống kê liệu Nguồn: Kết nghiên cứu Từ kết này, đưa giải pháp để nâng cao khả tiếp cận với khách hàng Chương đề xuất giải pháp cụ thể để phục vụ đề xuất khách hàng, giúp tăng khả tiếp cận tối ưu hóa chiến lược kinh doanh Bằng cách hiểu rõ nhóm khách hàng nhu cầu họ, cung cấp dịch vụ sản phẩm phù hợp hơn, từ tạo lợi nhuận cao cho doanh nghiệp 47 CHƯƠNG 3: ĐÁNH GIÁ, ĐỀ XUẤT ỨNG DỤNG NHẰM NÂNG CAO KHẢ NĂNG DỰ ĐOÁN 3.1 Đánh giá tốn dự đốn giá nhà 3.1.1 Những vấn đề cịn tồn đọng Trong q trình xây dựng mơ hình dự đốn giá nhà, có vấn đề gặp phải khó khăn sau:  Thiếu liệu: Dữ liệu giá nhà Việt Nam không cập nhật cách đầy đủ hay bị thiếu sót web, việc thu thập bóc tách liệu cần nhiều thời gian việc xây dựng mô hình dự đốn chắn gặp khó khăn  Động lực thị trường: Thị trường bất động sản Việt Nam thay đổi nhanh chóng khơng đồng khu vực khác Do đó, mơ hình dự đốn giá nhà phải cập nhật thường xuyên để đảm bảo tính xác  Các yếu tố khác nhau: Giá nhà Việt Nam phụ thuộc vào nhiều yếu tố khác nhau, bao gồm diện tích, vị trí, tiện ích, chất lượng xây dựng, thời gian sử dụng, Do đó, việc xây dựng mơ hình dự đoán giá nhà cần phải xem xét yếu tố để đưa kết xác  Sự khác biệt địa phương: Giá nhà Việt Nam phụ thuộc vào vị trí địa lý đặc thù khu vực Do đó, việc xây dựng mơ hình dự đốn giá nhà cần phải xem xét khác biệt khu vực để đưa kết xác  Sự khơng ổn định giá nhà ở: Giá nhà thay đổi theo thời gian khơng ổn định Do đó, việc dự đốn giá nhà tương lai gặp phải khó khăn  Sự ảnh hưởng yếu tố ngoại cảnh: Giá nhà Việt Nam bị ảnh hưởng yếu tố ngoại cảnh tình hình kinh tế, trị, dịch bệnh, Do đó, việc xây dựng mơ hình dự đốn giá nhà cần phải xem xét ảnh hưởng yếu tố để đưa kết xác 48  Sự khó khăn việc đánh giá mơ hình: Việc đánh giá mơ hình dự đốn giá nhà thách thức, khơng có tiêu chuẩn để đánh giá mơ hình tốt hay xấu Việc đánh giá mơ hình cần phải dựa nhiều yếu tố độ xác, độ tin cậy, độ ổn định, v.v 3.1.2 Hướng giải Tuy vấn đề bất cập có số điểm nên ý:  Khắc phục vấn đề thiếu liệu: Cần làm rõ xem thông tin giá nhà đầy đủ chưa, chưa khai thác nội dung mô tả để bổ sung thơng tin cịn thiếu cho tập liệu  Tinh chỉnh mơ hình: Nếu tốn khơng đạt hiệu suất tốt, cần tinh chỉnh lại mơ hình học máy cách thay đổi tham số sử dụng kỹ thuật khác để cải thiện tỉ lệ yêu cầu  Bổ sung thêm số thuật toán nhằm nâng cao tỷ lệ dự đoán: Tìm học hiểu phương tiện báo chí Quốc tế báo có liên quan để ứng dụng vào thực tiễn  Tăng khả dự đoán xác giá nhà: Kiểm tra xem giá nhà có báo khơng giá ước lượng, giá lưu lại  Nghiên cứu thị trường: Nắm bắt xu hướng giá nhà khu vực cần quan tâm Xem xét yếu tố tăng trưởng kinh tế, sở hạ tầng, dân số, dự án phát triển khu vực  Tìm hiểu rõ quy luật cung cầu: Hiểu rõ quy luật cung cầu thị trường bất động sản Nếu cung cầu, giá nhà tăng Ngược lại, cung nhiều cầu, giá nhà giảm  Theo dõi số kinh tế: Theo dõi số kinh tế quan trọng tăng trưởng GDP, lãi suất, tỷ giá hối đoái lạm phát Những yếu tố ảnh hưởng đến giá nhà 49  Tìm hiểu sách phủ: Chính sách phủ bất động sản ảnh hưởng đáng kể đến giá nhà Theo dõi sách quy hoạch thị, thuế hỗ trợ cho ngành bất động sản  Tư vấn chuyên gia: Tìm kiếm tư vấn từ chuyên gia bất động sản nhà đầu tư kinh nghiệm để hiểu rõ xây dựng ứng dụng dự đoán giá nhà dễ 3.2 Đề xuất ứng dụng dự đoán giá nhà 3.2.1 Những điểm mà ứng dụng dự đoán giá nhà mang lại Những ứng dụng học máy dự đốn giá nhà ln ứng dụng thông minh tiện lợi sống Dưới đặc điểm bật ứng dụng:  Ứng dụng dự báo giá nhà giúp người dùng dự đoán giá trị nhà tương lai dựa yếu tố vị trí, diện tích, tiện ích xung quanh, yếu tố khác Điều giúp người mua nhà nhà đầu tư đưa định thơng minh mua bán nhà  Để phát triển ứng dụng này, sử dụng cơng nghệ Machine Learning Data Analytics để phân tích liệu giá nhà yếu tố liên quan Ngoài ra, tích hợp cơng cụ định vị GPS để thu thập thơng tin vị trí nhà  Tích hợp tính khác tìm kiếm nhà theo tiêu chí, so sánh giá nhà, đưa lời khuyên cho người dùng Với ứng dụng này, giúp người dùng tiết kiệm thời gian nỗ lực việc tìm kiếm đánh giá giá trị nhà  Để đảm bảo tính xác độ tin cậy ứng dụng, sử dụng nguồn liệu đáng tin cậy trang web bất động sản, quan phủ liên quan đến bất động sản, công ty định giá bất động sản 50  Để thu hút người dùng, tạo giao diện đơn giản dễ sử dụng với tính tùy chỉnh thông tin chi tiết nhà, cung cấp cho người dùng viết hay hướng dẫn thị trường bất động sản để giúp họ hiểu rõ trình mua bán nhà  Cuối cùng, cần đảm bảo ứng dụng tuân thủ quy định luật pháp liên quan đến bất động sản bảo vệ thông tin cá nhân người dùng Với ứng dụng dự báo giá nhà chất lượng cao vậy, giúp người dùng đưa định thơng minh tạo giá trị đích thực cho cộng đồng 3.2.2 Đề xuất số ứng dụng dự đoán giá nhà sử dụng Dưới số ứng dụng quốc tế sử dụng giới:  Zillow: Zillow công ty thị trường bất động sản công nghệ Mỹ thành lập vào năm 2006 tạo Rich Barton Lloyd Frink, Zillow.com ứng dụng tiếng cho phép tra cứu thông tin giá nhà, dự đoán giá trị tài sản chí tìm kiếm nhà bán Nó cung cấp thơng tin chi tiết giá nhà, diện tích, số phịng ngủ, vị trí nhiều yếu tố khác  Redfin: Redfin công ty chuyên môi giới bất động sản, hoạt động 100 thị trường Hoa Kỳ Canada, ứng dụng giúp tìm kiếm dự đốn giá nhà Nó cung cấp thơng tin giá nhà, thống kê thị trường dự đốn giá trị tài sản Redfin có tính tìm kiếm nhà bán cho thuê  Trulia: Trulia thị trường bất động sản trực tuyến Mỹ, công ty Zillow, ứng dụng dự đốn giá nhà tìm kiếm nhà bán Nó cung cấp thơng tin chi tiết giá nhà, diện tích, số phịng ngủ, vị trí nhiều yếu tố khác Trulia cung cấp liệu thống kê thị trường để giúp đưa định thông minh 51  Realtor.com: Realtor.com trang web liệt kê bất động sản điều hành cơng ty Move, Inc News Corp có trụ sở California Đây trang web danh sách bất động sản truy cập nhiều thứ hai Hoa Kỳ tính đến năm 2021, với 100 triệu người dùng hoạt động hàng tháng Nó ứng dụng dự đốn giá nhà tìm kiếm nhà bán Nó cung cấp thơng tin chi tiết giá nhà, diện tích, số phịng ngủ, vị trí nhiều yếu tố khác Realtor.com cung cấp liệu thống kê thị trường tin tức bất động sản  RE/MAX: RE/MAX công ty môi giới bất động sản quốc tế, có ứng dụng di động trang web cung cấp thông tin giá nhà dự đoán thị trường  Homegate: Homegate ứng dụng trang web Thụy Sĩ, cung cấp liệu dự đoán giá nhà dựa yếu tố vị trí, diện tích, tiện ích xung quanh 52 KẾT LUẬN CHƯƠNG Trong chương 3, khóa luận đưa số đặc điểm khó khăn hướng giải toán dự đoán giá nhà kết dự đoán chương 2, qua khắc phục phần vấn đề mắc phải Việc làm chủ phát triển ứng dụng học máy phần đem đến học thực tế, hiểu để tạo mơ hình tốt với độ xác cao cần phải khắc phục điểm điều cốt lõi để phát triển, cập nhật thêm vấn đề sau 53 KẾT LUẬN Với việc dân số tăng nhanh mật độ dân số ngày sơi động việc mua nhà ngày cấp thiết, lẽ mà ứng dụng học máy đời để phục vụ cho người mua người bán Dự kiến tương lai không xa, sản phẩm tương tự ngày phát triển Về phương hướng phát triển tương lai, luận tiếp tục làm phong phú thêm liệu, tinh chỉnh mơ hình để tiếp tục cải thiện độ xác, với đưa mơ hình áp dụng vào thực tế 54 TÀI LIỆU THAM KHẢO Nguyen Toan Thinh(2022), “Đánh giá model Machine Learing”, truy cập ngày 20 tháng năm 2023 < https://vtc.vn/nam-2023-thoi-diem-tot-de-mua-nha-ar736425.html> NHÓM PV(2023), “Dân số Việt Nam 100 triệu người: Cơ hội thách thức – Bài 3: Mật độ dân số di dân tự do”, truy cập ngày 20 tháng năm 2023 < http://daidoanket.vn/danso-viet-nam-100-trieu-nguoi-co-hoi-va-thach-thuc bai-3-mat-do-dan-so-va-di-dan-tu-do5714843.html> Glints Writers(2022), “Machine Learning Là Gì? Ứng Dụng Của Machine Learning”, truy cập ngày 20 tháng năm 2023 “Học máy machine learning gì? Tại machine learning lại quan trọng”, truy cập ngày 20 tháng năm 2023 DỤC ĐOÀN TRÌNH(2022),“Regression Data Mining”, truy cập ngày 20 tháng năm 2023 “Types of Regression Techniques in ML”, truy cập ngày 20 tháng năm 2023 DỤC ĐOÀN TRÌNH(2022),“Mean Squared Error”, truy cập ngày 10 tháng năm 2023 Shaun Turney(2022),“Coefficient of Determination (R²) | Calculation & Interpretation”, truy cập ngày 15 tháng năm 2023 Tiep Vu(2021), “Xử lý giá trị ngoại lệ”, truy cập ngày 20 tháng năm 2023 < https://machinelearningcoban.com/tabml_book/ch_data_processing/process_outliers.html> 10 Th.S Nguyễn Thanh Tuấn (2022),“ỨNG DỤNG MƠ HÌNH HỌC MÁY TRONG DỰ ĐỐN GIÁ XE Ơ TƠ CŨ TẠI THỊ TRƯỜNG VIỆT NAM” 55