(Tiểu luận) đề tài nghiên cứu mô hình dự đoán giá bán lại xe ô tô đã qua sử dụng tại đức

Trang 1 TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC TH NG ẮKHOA QU N TR KINH DOANH ẢỊBÁO CÁO CUỐI KÌ MƠN: ỨNG DỤNG PHÂN TÍCH DỮ LIỆU LỚN TRONG QUẢN LÝ ĐỀ TÀI: NGHIÊN CỨU MƠ H

TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG KHOA QUẢN TRỊ KINH DOANH BÁO CÁO CUỐI KÌ MƠN: ỨNG DỤNG PHÂN TÍCH DỮ LIỆU LỚN TRONG QUẢN LÝ ĐỀ TÀI: NGHIÊN CỨU MƠ HÌNH DỰ ĐỐN GIÁ BÁN LẠI XE Ơ TƠ ĐÃ QUA SỬ DỤNG TẠI ĐỨC Giảng viên môn: Ths Phạm Ngọc Bảo Duy Chuyên ngành: Kinh doanh Quốc tế Nhóm lớp: 05 Nhóm sinh viên thc hi⌀n: BESTIES Nguyễn Đinh Thuý Ngân 71802260 Lê Ngọc Phương Như 71802271 Trần Thị Khánh Linh 71802243 Châu Hồng Ngọc 71802265 TP HỒ CHÍ MINH, THÁNG 09 NĂM 2021 NHẬN XÉT CỦA GIẢNG VIÊN - LỜI CẢM ƠN Lời nhóm xin trân trọng gửi lời cảm ơn chân thành kính trọng tới Thầy Cô khoa Quản trị kinh doanh trường Đại học Tôn Đức Thắng tạo điều kiện cho chúng em có hội học tập mơn Ứng Dụng Phân Tích Dữ Liệu Lớn Trong Quản Lý, đặc biệt thầy Phạm Ngọc Bảo Duy tận tình giảng dạy, hướng dẫn hỗ trợ nhóm suốt q trình thực nghiên cứu Môn học Ứng Dụng Phân Tích Dữ Liệu Lớn Trong Quản Lý nhóm chúng em mơn học có tính áp dụng thực tế cao lại khơng dễ dàng yêu cầu vốn kiến thức rộng, khả suy nghĩ, phân tích logic tự nghiên cứu Tuy nhiên chúng em cảm thấy môn học vô bổ ích thực tế giúp cho chúng em mở rộng tư định hướng phương pháp làm việc nghiên cứu tương lai, bắt kịp xu hướng thay đổi nhanh giới Do giới hạn thời gian nghiên cứu lượng kiến thức, thông tin thu thập hạn chế nên nghiên cứu chúng em khơng tránh khỏi thiếu sót q trình nghiên cứu thực Vì vậy, nhóm em mong nhận góp ý đánh giá chân thành thầy, cô trường Đại học Tơn Đức Thắng để luận hồn thiện hơn, có giá trị mặt lý luận thực tiễn, nguồn tham khảo bổ ích cho nhóm tương lai Chúng em xin chân thành cảm ơn! BẢNG PHÂN CÔNG CÔNG VIỆC STT Họ tên MSSV Nội dung công việc - Nguyễn Đinh Thuý Ngân 71802260 - Mức độ hồn thành Phân cơng nhiệm vụ, tổng hợp, kiểm tra Chạy mơ hình thuật tốn Azure Trình bày chương + 100% Lê Ngọc Phương Như 71802271 - Chạy mơ hình Google Colaboratory - Trình bày chương + - Tổng hợp định dạng 100% Trần Thị Khánh Linh 71802243 - Chạy mơ hình Azure - Trình bày chương - Thiết kế Powerpọint 100% Châu Hồng Ngọc 71802265 - Chạy mơ hình Google Colaboratory - Trình bày chương - Thiết kế Powerpoint 100% DANH MỤC HÌNH Hình 1.1 Bảng so sánh doanh số bán xe c số khu vực th ế giới năm 2021 Hình 3.1 Quy trình thực nghiên cứu Hình 3.2 Bộ liệu gốc từ Kaggle Hình 3.3 Bộ liệu qua xử lý Hình 4.1 Xây dựng mơ hình dự đốn thu ật tốn Linear Regression Hình 4.2 Mơ hình Linear Regression sau triển khai Web Service Hình 4.3 Xây dựng mơ hình dự đốn thu ật tốn Boosted Decision Tree Regression Hình 4.4 Mơ hình Boosted Decision Tree sau triển khai Web Service Hình 4.5 Import thư viện Hình 4.6 Import liệu Hình 4.7 Thống kê mơ tả liệu Hình 4.8 Mã hóa bi ến Hình 4.9 Biểu diễn d ữ liệu sau mã hóa Hình 4.10 Chọn c ột liệu để train model Tách liệu Hình 4.11 Xây dựng model thuật tốn Randon Forest Regression Hình 4.12 Đánh giá mơ hình Random Forest Regression Hình 4.13 Bảng so sánh ba mơ hình theo tiêu chí đánh giá Hình 4.14 Kết Test Model Random Forest (1) Hình 4.15 Kết Test Model Random Forest (2) Hình 4.16 Giao diện Web Services Hình 4.17: Kết Test Model Boosted Decision Tree Regression (1) Hình 4.18: Kết Test Model Boosted Decision Tree Regression (2) DANH MỤC BẢNG BIỂU Bảng 4.1 Thống kê mô tả biến dạng Numerical Bảng 4.2 Thống kê mô tả biến dạng categorical Bảng 4.3 Mô tả biến có hệ số tương quan cao so với biến phụ thuộc Bảng 4.4 Kết đánh giá mơ hình Linear Regression Bảng 4.5 Kết đánh giá mơ hình Boosted Decision Tree Regression Bảng 4.6 Kết đánh giá mơ hình Random Forest Regression Document continues below Discover more Phương Pháp from: Nghiên Cứu Đại học Tôn Đức… 447 documents Go to course Thế hệ gen Z chịu áp lực so với… Phương Pháp… 100% (9) NHÓM - DỰ ÁN 59 KINH Doanh Mandy… Phương Pháp… 100% (9) TRẮC- NghiệM-ĐSTT 63 Phương Pháp… 100% (7) Interpreting The Tide Rises the Tide Falls Phương Pháp… 100% (6) Pa cnch - Phương án 15 cứu hộ cứu nạn Phương Pháp… 100% (4) Nghiên cứu định 10 MỤC LỤC lượng KT_Việt… Phương Pháp… 100% (4) MỤC LỤC TÓM TẮT BÁO CÁO CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU 1.1 Lý chọn đề tài 1.2 Mục tiêu nghiên c ứu 1.3 Đối tượng, phạm vi nghiên cứu 1.4 Đóng góp nghiên cứu CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Giới thiệu báo mẫu 2.2 Một số định nghĩa 2.2.1 Big Data ứng dụng kinh doanh 2.2.2 Azure Machine Learning 2.2.3 Google Colaboratory 2.3 Mơ hình nghiên cứu trước: 10 2.3.1 Nghiên cứu S Pudaruth 10 2.3.2 Nghiên cứu N Kanwal J Sadaqat 10 2.3.3 Nghiên cứu S Peerun, NH Chummun S Pudaruth 11 2.3.4 Nghiên cứu N.Sun, H Bai, Y Geng H Shi 11 CHƯƠNG 3: KHÁI QUÁT DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 12 3.1 Quy trình nghiên c ứu 12 3.2 Mô tả liệu 13 3.2.1 Khái quát d ữ liệu 13 3.2.2 Định nghĩa thuộc tính biến 13 3.3 Xử lý liệu 15 3.4 Phương pháp nghiên cứu 16 3.4.1 Thuật toán Linear Regression 16 3.4.2 Thuật toán Boosted Decision Tree Regression 16 3.4.3 Thuật toán Random Forest Regression 17 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 18 4.1 Các tiêu chí đánh giá mơ hình 18 4.2 Kết nghiên cứu mơ hình 19 4.2.1 Mơ hình Linear Regression 21 4.2.2 Mơ hình Boosted Decision Tree Regression 22 4.2.3 Mơ hình Random Forest Regression 23 4.3 So sánh kết nghiên cứu mơ hình 27 CHƯƠNG 5: KẾT LUẬN 31 5.1 Tóm tắt kết nghiên cứu 31 5.2 Ý nghĩa nghiên cứu hạn chế đề tài 31 5.2.1 Ý nghĩa nghiên cứu: 31 5.2.2 Hạn chế đề tài 32 5.3 Hàm ý quản trị 33 5.3.1 Xây dựng ứng dụng phục vụ cho việc dự đoán giá bán lại xe cũ thị trường 33 5.3.2 Đề xuất hướng nghiên cứu 33 TÀI LIỆU THAM KH ẢO 35 TÓM TẮT BÁO CÁO Bài báo cáo “Dự đốn giá tơ qua sử dụng Mơ hình hồi quy” thực nhằm xác định nhân tố ảnh hưởng đến giá bán xe qua sử dụng: trường hợp nghiên cứu thực nghiệm Đức với 242.230 mẫu quan sát Trong nghiên cứu này, nhóm sử dụng mơ hình Linear Regression, Random Forest Regression, and Gradient Boosted Decision Trees dựa t ập liệu cụ thể có báo nghiên c ứu nhằm xác định, đo lường mức độ ảnh hưởng thuộc tính xe lên giá bán xe qua sử dụng Đức Sau xem xét m ột cách kỹ lưỡng, nhóm nhận thấy việc sử dụng phần mềm Azure Machine Learning Google Colaboratory cho nghiên cứu phù hợp để xây dựng đầy đủ ba mơ hình theo báo mẫu Từ đó, xác định tác động biến độc lập lên biến phụ thu ộc, độ xác mơ hình áp dụng cuối đưa so sánh kết mơ hình dự đoán Kết nghiên cứu tổng hợp cho thấy, nhân tố tác động đến giá xe qua sử dụng Đức nhiều bao gồm: mã lực, tên hãng xe, dòng xe, năm đăng ký số ki-lơ-mét Từ kết nghiên cứu, nhóm đề xuất mơ hình dự đốn giá xác mơ hình nhằm giúp doanh nghiệp mua bán xe cũ người mua xe cũ xác định xác giá trị xe để mua xe với giá hợp lý bán xe phù hợp với giá thị trường Khơng báo nghiên cứu vấn đề dự đoán giá xe với kết qua số liệu chạy khảo sát nhóm hy vọng góp chút nho nhỏ để doanh nghiệp người mua không Đức nói riêng mà ngành mua bán xe nói chung xác định yếu tố thuộc tính c xe tác động tới giá để đưa dự đốn tốt Cuối cùng, nhóm đưa nhữ ng hạn chế đề tài nghiên cứu để đưa kiến nghị, hàm ý quản trị cho doanh nghiệp giải pháp cho người mua Hình 4.2: Mơ hình Linear Regression sau triển khai Web Service 4.2.2 Mơ hình Boosted Decision Tree Regression Hình 4.3: Xây dựng mơ hình dự đốn thuật toán Boosted Decision Tree Regression 22 Tương tự, sau hồn t ất chạy mơ hình, kết đánh giá mơ hình Boosted Boosted Decision Tree Regression “Visualize” bảng sau: Bảng 4.3: Kết đánh giá mơ hình Boosted Decision Tree Regression Mean Root Mean Absolute Squared Error Error (MAE) (RMSE) 1365.170413 2579.895418 Relative Absolute Relative Squared Error (RAE) Error (RSE) 0.250586 0.103358 Coefficient of Determination (R2) 0.896642 Hình 4.4: Mơ hình Boosted Decision Tree sau triển khai Web Service 4.2.3 Mơ hình Random Forest Regression Riêng v ới thuật toán Random Forest Regression, Azure Machine Learning chưa có sẵn nên địi hỏi người dùng phải tự tạo mơ hình (Create R Model) ngơn ngữ lập trình R ho ặc Python Tuy nhiên, sau trình nghiên c ứu tiến hành tạo thử mơ hình Azure, nhóm gặp phải số lỗi kỹ thuật nằm khả nhóm để khắc phục Do đó, nhóm xây dựng mơ hình Random Forest Regression ngơn ngữ Python Google Colaboratory, bước thực sau: 23 Hình 4.5: Import thư viện Hình 4.6: Import liệu Hình 4.7: Thống kê mơ tả liệu 24 Hình 4.8: Mã hóa biến Hình 4.9: Biểu diễn liệu sau mã hóa Hình 4.10: Chọn cột liệu để train model Tách liệu 25 Hình 4.11: Xây dựng model thuật tốn Randon Forest Regression Hình 4.12: Đánh giá mơ hình Random Forest Regression Bảng 4.4: Kết đánh giá mơ hình Random Forest Regression Mean Absolute Mean Squared Root Mean Squared Coefficient of Error (MAE) Error (MSE) Error (RMSE) Determination (R2) 198.423343 92962.876528 304.898141 0.914884 26 4.3 So sánh kết nghiên cứu mơ hình Mục tiêu nghiên cứu tìm mơ hình dự đốn có độ xác cao để dự đốn giá xe qua sử dụng Do đó, cần so sánh giá trị đo lường ba mơ hình chạy để chọn mơ hình có thuật tốn tốt nhất, theo bảng đây: Tiêu chí đánh giá STT Thuật tốn Mean Absolute Coefficient of Error (MAE) Determination (R2) Linear Regression 2571.198278 0.725861 Boosted Decision Tree Regression 1365.170413 0.896642 Random Forest Regression 198.423343 0.914884 Hình 4.13: Bảng so sánh ba mơ hình theo tiêu chí đánh giá Dựa theo báo mẫu, nhóm sử dụng giá trị MAE làm thước đo độ xác mơ hình, giá trị MAE gần mơ hình dự đốn tốt Theo bảng 4.13, mơ hình dự đốn sử dụng thuật tốn Random Forest Regression có giá trị thấp MAE = 198.423343 tức độ lớn trung bình l ỗi nhỏ nhất, chứng t ỏ mơ hình có độ xác cao nh ất Boosted Decision Tree Regression mơ hình có độ xác th ứ hai với MAE = 1365.170413 Cuối mơ hình sử dụng thuật tốn Linear Regression có độ xác thấp với giá trị MAE = 2571.198278 cao ba mơ hình Ngồi ra, nhóm sử dụng thêm hệ số R2 để xác định độ phù hợp mơ hình dự đốn với liệu Cũng theo bảng so sánh cho thấy, độ phù hợp mơ hình Random Forest Regression với liệu cao (91,5%), đứng thứ hai Boosted Decision Tree Regression (89,7%) cu ối Linear Regression với độ phù hợp thấp (72,6%) Từ kết trên, nhóm kiểm tra liệu dự đoán bước “Test Model” với mơ hình có độ xác cao Random Forest Regression Google Colab, mơ hình Boosted Decision Tree Regression Azure Machine Learning để thấy khác hai t ảng học máy 27 Với bước Test Model cho mô hình Random Forest Regression Google Colab, nhóm nhập liệu đầu vào có sẵn dataset, miêu tả hình dưới, để so sánh chênh lệnh giá tr ị dự đoán giá trị thực liệu Kết cho thấy chênh lệnh thấp, tương đương với độ xác mơ hình cao: Hình 4.14: Kết Test Model Random Forest (1) Ở lần kiểm tra tiếp theo, nhóm s ẽ thay đổi giá trị biến “powerPS” “kilometer” để xem kết dự báo có thay đổi hay khơng, trực quan phần trên, hai biến có tác động lớn đến biến phụ thuộc “price” Kết cho thấy, sau tăng giá trị biến “powerPS” lên 380, giảm số “kilometer” (10,000km) tức xe có cơng suất cao số ki-lơ-mét chạy thấp kết mong muốn giá xe tăng: Hình 4.15: Kết Test Model Random Forest (2) 28 Với Azure Machine Learning, nhóm kiểm tra kết dự báo mơ hình Boosted Decision Tree Regression cách “Deploy Web Service” sau chạy xong mơ hình Web Service mơ tả phần 4.2.2 Khi đó, hình chuyển tới giao diện Web Services, chọn dòng Request - Test Preview nhập ngẫu nhiên liệu đầu vào để kiểm tra kết lần 1: Hình 4.16: Giao diện Web Services Hình 4.17: Kết Test Model Boosted Decision Tree Regression (1) Tương tự mơ hình trước, lần kiểm tra thứ hai, nhóm thay đổi liệu đầu vào bi ến có tác động mạnh đến biến phụ thuộc Cụ thể, nhóm thay đổi 29 “yearOfRegistration” lên 2018; “powerPS” lên 200; “model” chuyển thành dòng xe cao cấp Mercedes s_klasse; cuối giảm “kilometer” 1000 – kết mong muốn giá xe cao so với kết lần 1, mơ hình cho giá trị dự đốn mong đợi nhóm: Hình 4.18: Kết Test Model Boosted Decision Tree Regression (2) 30 CHƯƠNG 5: KẾT LUẬN 5.1 Tóm tắt kết nghiên cứu Trong nghiên cứu này, nhóm tác gi ả thực nghiên c ứu so sánh v ề hiệu suất mơ hình hồi quy việc dự đốn giá xe tơ cũ Dữ liệu sử dụng lấy từ Kaggle.com , sau nhóm xử lý liệu qua việc lượt bỏ liệu trống khơng có nghĩa để tránh gây nhi ễu q trình phân tích K ết qu ả là, liệu cuối có 242,230 hàng 11 thu ộc tính Dựa theo báo mẫu, nhóm xây dựng mơ hình d ự đốn kiểm tra liệu cách sử dụng ba thuật toán Linear Regression, Random Forest Regression Boosted Decision Tree Regression liệu Các mơ hình đánh giá độ lớn liệu thử nghiệm 0.33 Các kết sau so sánh tiêu chí Mean Absolute Error – Sai số trung bình tuyệt đối Với mơ hình Random Forest Regression cho hiệu suất cao với MAE = 198.423343, Boosted Decision Tree với MAE = 1365.170413 Linear Regression với độ xác thấp MAE = 2571.198278 Do đó, nhóm kết luận thuật tốn Random Forest Regression khuyến nghị để phát triển mơ hình dự đốn giá xe tơ qua sử dụng Ngồi ra, nhóm trả l ời đượ c cho câu hỏi nghiên cứu mức độ tác độ ng yếu tố lên giá xe ô tô qua sử dụng Kết cho thấy, biến “powerPS” (chỉ số mã lực xe), “model” (dòng xe), “kilometer” (số ki-lơ-mét xe chạy) “yearOfRegistration” (năm đăng kí xe) biến có tác động lớn lên mức giá dự đốn xe Từ đó, doanh nghiệp khách hàng thực giao dịch mua bán xe tơ qua sử dụng nhữ ng thông tin cần thiết để lựa chọn loại xe với mức giá phù hợp cho 5.2 Ý nghĩa nghiên u hạn chế đề tài 5.2.1 Ý nghĩa nghiên cứu: Nhìn chung, dựa vào kết nghiên cứu dự đoán giá bán lại xe ô tô cũ qua sử dụng Đức, nhóm đạt mục tiêu nghiên cứu ban đầu xác định mức độ tác động 31 yếu tố có tác động đến giá bán xe qua sử dụng mơ hình thể kết dự đốn có độ xác cao số mơ hình mà nhóm thực Đồng thời, nhóm xây dựng nên cơng cụ tương đối hồn chỉnh cho việc dự đốn giá bán lại xe tơ cũ, điều có ý nghĩa thực tiễn đối với: ✓ Đối với doanh nghiệp: Giúp doanh nghiệp trang bị cơng cụ dự đốn giá xe, từ ước tính giá bán trung bình thị trường đưa nhữ ng mức giá bán lại hợp lý, tối ưu hoá chi phí doanh thu ✓ Đối với người mua: Giúp người mua dựa vào giá dự đốn để đưa định mua hàng mình, tìm kiếm sản phẩm phù h ợp với khả chi trả, giảm thiểu tình trạng người mua khơng có nhi ều kinh nghiệm bị nâng giá bán cao so với giá trị trường ✓ Đối với bên thứ ba: Là bên người bán thuê để định giá xe tơ cũ họ khơng có đủ nguồn lực, công nghệ chuyên môn Bên thứ ba dựa vào kết nghiên cứu, cung cấp cho người bán xe sử dụng công cụ định giá xe ô tô cũ công ty tham v ấn giá cho người bán, tùy theo chi phí hoa h ồng mà họ nhận 5.2.2 Hạn chế đề tài Đầu tiên, mơ hình nghiên cứu phức tạp nên địi hỏi cần phải có mức độ am hiểu định kiến thức kỹ thuật thực nghiên cứu Tuy nhiên th ời gian thực đề tài kiến thức nhóm cịn hạn chế nên cịn thiếu sót q trình báo cáo Cụ th ể bước xử lý liệu, theo báo mẫu, tác giả thực chuyển đổi liệu biến phụ thu ộc “price” kỹ thuật Log transform nhóm thực Log transform Azure l ại ảnh hưởng đến kết web test service cuối Do đó, nhóm định khơng thực bước dẫn đến có chênh lệch kết nghiên cứu so v ới báo mẫu Thứ hai, nghiên cứu nhóm thực lại ba thuật toán c báo mẫu, nhóm chưa đủ lực để khai thác thêm thuật tốn khác mơ hình 32 hồi quy để đánh giá so sánh Do kết nghiên cứu nhóm chưa mang tính khái quát rộng rãi, cần thêm thời gian để có nghiên c ứu sử dụng thu ật toán khác để đưa kết so sánh tổng quát Thứ ba, thuật tốn Random Forest Regression khơng có sẵn Azure Machine Learning nên nhóm phải thực chạy riêng thuật toán Google Colaboratory Điều dẫn đến việc nhóm khó so sánh trực tiếp mơ hình ba thuật tốn khác n ền tảng, dẫn đến kết nghiên cứu nhóm chưa thật khách quan Cuối cùng, liệu mà nhóm thu th ập đượ c mang tính cụ thể trang thương mại điện tử Đức – eBay Kleinanzeigen, chưa phản ánh khái quát tồn thị trường mua bán xe tơ qua sử dụng Đức quốc gia khác giới Điều gây tác động lên tính ứng dụng rộng rãi kết nghiên cứu thị trường, quốc gia có đặc điểm khác 5.3 Hàm ý quản trị 5.3.1 Xây dựng ứng d ụng phục vụ cho việc dự đoán giá bán lại xe cũ thị trường Nhu cầu mua lại xe cũ ngày tăng đồng nghĩa với việc nhu cầu tìm cơng cụ hỗ trợ dự đoán giá bán hợp lý ngày nhiều, điều thể tính ứng dụng cao cho đề tài nghiên cứu nhóm Do đó, nhóm đề xuất xây dựng phát triển đề tài nghiên cứu tạo nên ứng dụng dự đoán giá bán lại xe cũ cho doanh nghiệp mua bán ô tô qua sử dụng cho bên định giá thứ ba, từ giúp họ có thêm cơng cụ để ước tính giá bán Điều s ẽ giúp doanh nghiệp nắm bắt giá bán trung bình thị trường đưa chiến lược định giá hợp lý cho sản ph ẩm họ Với mức giá bán phù hợp, doanh nghiệp tiếp cận nhiều khách hàng hơn, từ tăng doanh thu cho doanh nghiệp 5.3.2 Đề xuất hướng nghiên cứu Từ hạn ch ế đề tài nêu trên, nghiên cứu tập trung vào tập liệu Đức nên ứng dụng tình cụ thể Các nghiên cứu sau có 33 thể mở rộng phạm vi nghiên cứu quốc gia có đặc điểm tương đồng khác nước châu Âu, điều làm tăng tính khách quan kết nghiên cứu áp dụng rộng rãi Ngoài ra, đề tài nghiên cứu mở rộng đối tượng nghiên cứu sang nhiều loại xe loại xe cỡ lớn (xe tải, bán t ải,…) m rộng thêm biến thuộc tính xe để đưa kết nghiên cứu có tính khách quan độ xác cao 34 TÀI LIỆU THAM KH ẢO Tài liệu nước Nitis, Prajak, Thongchai, Suwat, Sabir, & Pitchayakit, “Prediction of Prices for Used Car by Using Regression Models”, 2018 5th International Conference on Business and Industrial Research (ICBIR), Bangkok, Thailand, 2018 S Pudaruth, “Predicting the Price of Used Cars using Machine Learning Techniques,” International Journal of Information & Computation Technology, vol 4, no 7, pp 753 –764, 2014 N Kanwal and J Sadaqat, “Vehicle Price Prediction System using Machine Learning Techniques,” International Jounal of Computer Ap-plications, vol 167, no 9, pp 27–31, 2017 S Peerun, N H Chummun, and S Pudaruth, “Predicting the Price of Second hand Cars using Artificial Neural Networks,” The Second International Conference on Data Mining, Internet Computing, and Big Data, no August, pp 17–21, 2015 N.Sun, H Bai, Y Geng, and H Shi, “Price evaluation model in second-hand car system based on BP neural network theory,” in 2017 18th IEEE/ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD), jun 2017, pp 431–436 Microsoft, “A-Z list of Machine Learning Studio (classic) modules”, 2019, https://docs.microsoft.com/en-us/azure/machine-learning/studio-modulereference/a-z-module-list Microsoft, “Boosted Decision Tree Regression Module”, 2020, https://docs.microsoft.com/en-us/azure/machine-learning/algorithm-modulereference/boosted-decision-tree-regression Jason Fernando, Investopedia, “R-Squared”, 2021, https://www.investopedia.com/terms/r/r-squared.asp 35 Jeff Hale, Towards Data Science, “Which Evaluation Metric Should You Use in Machine Learning Regression Problems?”, 2020, https://towardsdatascience.com/which-evaluation-metric-should-you-use-inmachine-learning-regression-problems-20cdaef258e 10 Mordor Intelligence, “Used Car Market - Growth, Trends, Covid-19 Impact, And Forecasts (2021 - 2026)”, 2021, https://www.mordorintelligence.com/industry reports/global-used-car-market-growth-trends-and-forecast-2019-2024 11 Car Sales Statistics, “2021 International: Worldwide Car Sales”, 2021, https://www.best-selling-cars.com/international/2021-q1-international-worldwidecar-sales/ 12 Prescient&Strategic Intelligence, “Used Car Market Research Report”, 2020, https://www.psmarketresearch.com/market-analysis/used-car-market Tài liệu tiếng Việt 13 Tơ Nhung, Ligosoft, “Tìm hiểu v ề Big Data ứng dụng doanh nghiệp”, 2021, https://ligosoft.vn/tim-hieu-ve-big-data-va-ung-dung-doi-voi-doanhnghiep.html 14 Minh Vinh, Code Learn, “Giới thiệu Azure Machine Learning”, 2021, https://codelearn.io/sharing/gioi-thieu-azure-machine-learning 15 Flinters, “Giới thiệu Google Colab”, 2021, https://labs.flinters.vn/tips/gioithieu-ve-google-colab/ 36