PHÂN TÍCH DỰ BÁO SỐ LƯỢNG CĂN HỘ BÁN ĐƯỢC TRONG CÁC QUÝ BẰNG MÔ HÌNH HỒI QUY TUYẾN TÍNH

Trong bối cảnh thị trường bất động sản đang phát triển mạnh mẽ, đồng thời với sự phát triển không ngừng của công nghệ thông tin, việc dự báo số lượng căn hộ bán được là một yếu tố quan trọng để các nhà phát triển, chủ đầu tư và các bên liên quan có thể tạo ra chiến lược kinh doanh hiệu quả và đưa ra quyết định đúng đắn. Bên cạnh đó, mô hình hồi quy tuyến tính là một công cụ mạnh mẽ trong việc dự báo và phân tích dữ liệu. Nó cho phép chúng ta xây dựng một mô hình thống kê dựa trên các biến độc lập để dự đoán một biến phụ thuộc. Chính vì vậy, nhóm 4 chúng em quyết định lựa chọn đề tài phân tích và dự báo số lượng căn hộ bán được trong các quý bằng mô hình hồi quy tuyến tính. Mục tiêu của đề tài này là xây dựng một mô hình hồi quy tuyến tính dựa trên dữ liệu đầu vào và sử dụng các phương pháp thống kê và kỹ thuật phân tích dữ liệu để xác định các biến có liên quan và xây dựng một mô hình dự báo chính xác. Qua việc phân tích và dự báo số lượng

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN 🙙🕮🙛 - ĐỒ ÁN CHUYÊN NGÀNH NGÀNH: KHOA HỌC MÁY TÍNH Đề Tài PHÂN TÍCH DỰ BÁO SỐ LƯỢNG CĂN HỘ BÁN ĐƯỢC TRONG CÁC Q BẰNG MƠ HÌNH HỒI QUY TUYẾN TÍNH Giảng viên hướng dẫn : TS Nguyễn Mạnh Cường Lớp : KHMT01 - K15 Nhóm thực : Nhóm Thành Viên: Hồ An Hải – 2020607641 Phan Thanh Hải – 2020607456 Nguyễn Tiến Tú – 2020601739 Hà Nội - 2023 MỤC LỤC LỜI CẢM ƠN LỜI NÓI ĐẦU CHƯƠNG 1: BÀI TỐN PHÂN TÍCH DỰ BÁO SỐ LƯỢNG CĂN HỘ BÁN ĐƯỢC TRONG CÁC QUÝ 1.1 Giới thiệu chung 1.2 Giới thiệu mục tiêu toán 1.3 Ý nghĩa toán thực tế 1.4 Phương pháp tiếp cận 1.5 Cơ hội thách thức 1.5.1 Cơ hội 1.5.2 Thách thức CHƯƠNG 2: MỘT SỐ KỸ THUẬT GIẢI QUYẾT BÀI TOÁN 10 2.1 Phương hướng tiếp cận toán 10 2.2 Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) 10 2.2.1 Giới thiệu 10 2.2.2 Cấu trúc cách hoạt động mạng nơ-ron nhân tạo 11 2.2.3 Các loại mạng thần kinh nhân tạo ANN 13 2.2.4 Ưu điểm nhược điểm 14 2.3 Mơ hình định (Decision Tree) 14 2.3.1 Giới thiệu 14 2.3.2 Đặc điểm 15 2.3.4 Ưu điểm nhược điểm 17 2.4 Thuật Toán K-Nearest Neighbors (KNN) 18 2.4.1 Giới thiệu 18 2.4.2 Đặc điểm 18 2.4.3 Cách hoạt động KNN 20 2.4.4 Ưu điểm nhược điểm 21 2.5 Mơ hình hồi quy tuyến tính 22 2.5.1 Giới thiệu 22 2.5.2 Các thành phần hồi quy tuyến tính 23 2.5.3 Đánh giá diễn giải kết 24 2.5.4 Ứng dụng Linear Regression 24 2.5.5 Ưu điểm hạn chế Hồi quy tuyến tính 25 2.6 Kết luận chương 26 CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM 27 3.1 Dữ liệu thực nghiệm 27 3.2 Quy trình thực nghiệm 28 3.2.1 Đặt mục tiêu 28 3.2.2 Tiền xử lý liệu 28 3.2.3 Phân tích mơ tả 33 3.2.4 Phân tích hồi quy 37 3.3 Đánh giá đề xuất 40 3.4 Kết luận chương 41 CHƯƠNG 4: XÂY DỰNG HỆ THỐNG DỰ BÁO SỐ LƯỢNG CĂN HỘ BÁN ĐƯỢC TRONG CÁC QUÝ 42 4.1 Giới thiệu Framework 42 4.2 Phân tích thiết kế hệ thống 42 4.2.1 Biểu đồ use-case tổng quát 42 4.2.2 Mô tả chi tiết use-case 43 4.3 Phân tích thiết kế giao diện 44 4.4 Kết luận chương 48 KẾT LUẬN 49 TÀI LIỆU THAM KHẢO 50 DANH MỤC HÌNH ẢNH Hình 1 Minh họa toán Hình Mơ hình ANN gì? 11 Hình 2 Cấu trúc mạng nơ-ron nhân tạo ANN 12 Hình Mơ hình ANN 13 Hình Ví dụ mơ hình định 15 Hình Mơ hình KNN 18 Hình Ví dụ mơ hình KNN 20 Hình Hồi quy tuyến tính gì? 22 Hình Ví dụ hồi quy tuyến tính 24 Hình Dữ liệu 10 dòng đầu dataset 27 Hình Số lượng data bị trùng lặp 30 Hình 3 Dữ liệu trước điền khuyết 31 Hình Dữ liệu sau điền khuyết 31 Hình Bảng tóm lược liệu 31 Hình Dữ liệu trước chuyển đồi 32 Hình Dữ liệu sau chuyển đổi 32 Hình Mối liên hệ giá nhà yếu tố khác 33 Hình Biểu đồ phân phối giá nhà 34 Hình 10 Biểu đồ phân bố giá nhà theo kinh độ vĩ độ 35 Hình 11 Biểu đồ thể số nhà bán tháng 36 Hình 12 Số lượng hộ bán theo quý 37 Hình 13 Hệ số xác định R-squared mơ hình q 39 Hình 14 Số lượng hộ bán được dự đốn q 40 Hình Biểu đồ use-case tổng quát 42 Hình Giao diện website 44 Hình Chọn biến độc lập 45 Hình 4 Chọn tất cách ấn nút Select All 46 Hình Kết sau dự đoán 47 Hình Bỏ chọn biến độc lập 48 LỜI CẢM ƠN Lời cho phép chúng em gửi lời cảm ơn sâu sắc tới thầy cô khoa Công nghệ thông tin - Trường Đại học Công Nghiệp Hà Nội, người truyền đạt dẫn cho chúng em kiến thức, học quý báu bổ ích Đặc biệt chúng em xin bày tỏ tri ân xin chân thành cảm ơn giảng viên Nguyễn Mạnh Cường người trực tiếp hướng dẫn, bảo chúng em suốt trình học tập, nghiên cứu hoàn thành đồ án Sau nữa, chúng em xin gửi tình cảm sâu sắc tới gia đình bạn bè ln bên cạnh khuyến khích, động viên, giúp đỡ vật chất linh tinh thần cho chúng em suốt quy trình học tập để chúng em hoàn thành tốt việc học tập thân Trong trình nghiên cứu làm đề tài, lực, kiến thức, trình độ thân chúng em cịn hạn hẹp nên khơng tránh khỏi thiếu sót chúng em mong mỏi nhận thơng cảm góp ý từ q thầy bạn lớp Chúng em xin chân thành cảm ơn! Nhóm thực Hồ An Hải Phan Thanh Hải Nguyễn Tiến Tú LỜI NÓI ĐẦU Trong bối cảnh thị trường bất động sản phát triển mạnh mẽ, đồng thời với phát triển không ngừng công nghệ thông tin, việc dự báo số lượng hộ bán yếu tố quan trọng để nhà phát triển, chủ đầu tư bên liên quan tạo chiến lược kinh doanh hiệu đưa định đắn Bên cạnh đó, mơ hình hồi quy tuyến tính công cụ mạnh mẽ việc dự báo phân tích liệu Nó cho phép xây dựng mơ hình thống kê dựa biến độc lập để dự đốn biến phụ thuộc Chính vậy, nhóm chúng em định lựa chọn đề tài "phân tích dự báo số lượng hộ bán q mơ hình hồi quy tuyến tính" Mục tiêu đề tài xây dựng mơ hình hồi quy tuyến tính dựa liệu đầu vào sử dụng phương pháp thống kê kỹ thuật phân tích liệu để xác định biến có liên quan xây dựng mơ hình dự báo xác Qua việc phân tích dự báo số lượng hộ bán được, nhóm chúng em hy vọng cung cấp thơng tin hữu ích cho nhà phát triển, chủ đầu tư bên liên quan việc đưa định kinh doanh lập kế hoạch tương lai Đồng thời, nghiên cứu mở hội cho việc nghiên cứu ứng dụng phương pháp dự báo lĩnh vực bất động sản Nội dung báo cáo bao gồm chương sau: Chương 1: Phát biểu toán Trong chương 1, nhóm tiến hành phát biểu tốn, xác định liệu đầu vào, liệu đầu toán, đặc điểm toán Chương 2: Các kỹ thuật giải toán Sau phát biểu xác định rõ ràng yêu cầu tốn, nhóm trình bày kỹ thuật giải tốn có ưu nhược điểm chúng Tiếp theo, giải pháp đề xuất cho toán đặt Và mô tả chi tiết giải pháp lựa chọn Chương 3: Kết thực nghiệm Tại chương này, nhóm tập chung trình bày trình thực nghiệm kết đạt với kỹ thuật giải toán đề xuất chương Phần kết luận: Cuối phần kết luận, nhóm tổng hợp kết đạt được, hướng phát triển mở rộng đề tài nghiên cứu tương lai Nói tóm lại, thơng qua việc thực đề tài, nhóm có hội khám phá sâu rộng lĩnh vực phân tích liệu dự báo, đặc biệt áp dụng chúng vào thị trường bất động sản Đây không nhiệm vụ học thuật mà trải nghiệm quan trọng giúp nhóm phát triển nhiều kỹ quan trọng Nhóm hy vọng áp dụng kiến thức kỹ học vào dự án thực tế tương lai đồng thời mong muốn nghiên cứu đem lại giá trị khơng cho thân mà cho đối tượng khác, người quan tâm đến thị trường bất động sản, nhà đầu tư, người làm sách sử dụng thơng tin để đưa định thông tin hiệu Điều bước quan trọng nhóm việc góp phần vào phát triển bền vững thông tin cộng đồng xã hội CHƯƠNG 1: BÀI TỐN PHÂN TÍCH DỰ BÁO SỐ LƯỢNG CĂN HỘ BÁN ĐƯỢC TRONG CÁC QUÝ 1.1 Giới thiệu chung Trong giới đầy động lực thị trường bất động sản ngày nay, việc đánh giá dự đoán số lượng hộ bán quý thách thức đặt trước doanh nghiệp nhà phát triển bất động sản Đây không khía cạnh quan trọng quản lý chiến lược kinh doanh họ mà yếu tố định hình hình ảnh tầm vóc thị trường Để hiểu rõ động thái thị trường, phân tích số liệu trở thành công cụ quan trọng, nhằm đo lường biến động số lượng hộ bán theo q Bài tốn phân tích địi hỏi kết hợp chặt chẽ hiểu biết thị trường bất động sản sâu sắc việc áp dụng phương pháp phân tích liệu đại Hình 1 Minh họa tốn Dữ liệu cần thu thập cách tỉ mỉ, từ yếu tố diện tích, vị trí địa lý, đến biến đổi phức tạp giá bán, xu hướng kinh tế xã hội, thay đổi nhu cầu thị trường Chính kết hợp thông tin chi tiết giúp xây dựng sở liệu đa chiều, cung cấp nhìn tồn diện biến động thị trường bất động sản theo thời gian Đồng thời, việc áp dụng mơ hình phân tích hồi quy tuyến tính, Mạng Nơ-ron Nhân tạo (ANN), hay định giúp hiểu rõ mối liên quan yếu tố số lượng hộ bán Những mơ hình khơng giúp dự đốn xu hướng tương lai mà hỗ trợ định chiến lược với độ xác cao Tuy nhiên, khơng phải lúc thứ suôn sẻ Đối mặt với thực tế đa dạng động chất thị trường bất động sản, phải đối diện với thách thức không chắn nhiễu loạn liệu, khả mơ hình nắm bắt hết yếu tố ảnh hưởng Nhưng với sáng tạo kỹ thuật phân tích tiên tiến, tiếp cận tốn cách tồn diện hiệu 1.2 Giới thiệu mục tiêu toán Mục tiêu toán dự đoán số lượng nhà hộ dự kiến bán khoảng thời gian cụ thể, chẳng hạn q Bên cạnh đó, tốn phân tích dự báo số lượng nhà bán tốn lĩnh vực phân tích liệu học máy, mục đích cuối dự đốn số nhà bán dựa đặc trưng liên quan như: giá nhà, số lượng phòng ngủ, phòng tắm, diện tích, số tầng,v.v Bài tốn sử dụng nghiên cứu xã hội, kinh tế trị để nghiên cứu yếu tố ảnh hưởng tới giá nhà từ đưa định kinh doanh thông minh tối ưu Hình 12 Số lượng hộ bán theo quý Theo quan sát, quý quý bán nhiều hộ quý quý bán hộ 3.2.4 Phân tích hồi quy Phân tích hồi quy phương pháp thống kê sử dụng để xác định mối quan hệ nhiều biến độc lập (independent variables) biến phụ thuộc (dependent variable) Mục tiêu phân tích hồi quy hiểu mơ tả mối liên hệ này, dự đoán giá trị biến phụ thuộc dựa giá trị biến độc lập Cụ thể, phân tích hồi quy tập trung vào việc tìm mơ hình hồi quy, thường đường thẳng mặt phẳng, cho tổng sai số giá trị dự đoán giá trị thực tế nhỏ Các biến độc lập biến liên tục rời rạc, mơ hình hồi quy áp dụng cho nhiều loại liệu khác 37 Theo đề tài, ta sử dụng mơ hình hồi quy tuyến tính để dự báo số lượng hộ bán quý Để dự báo được, ta đặt biến phụ thuộc cột ‘sale_quarter_1’, ‘sale_quarter_2’, ‘sale_quarter_3’, ‘sale_quarter_4’ Các cột tượng trưng sinh sau tiền xử lý liệu Trước tiên, cần Loại bỏ cột khơng liên quan đến việc dự đốn số lượng hộ bán Các cột ‘date’, ‘sale_quarter’, ‘sale_quarter_1’, ‘sale_quarter_2’, ‘sale_quarter_3’, ‘sale_quarter_4’ không cần thiết nên loại bỏ Điều giúp giảm chiều liệu đầu vào tăng hiệu suất tính tốn Sau loại bỏ liệu không phù hợp, ta tiến hành lựa chọn biến phụ thuộc tương ứng với quý cần dự đoán Tiếp đến, liệu chia thành tập huấn luyện tập kiểm tra Tập kiểm tra (30% liệu) sử dụng để đánh giá hiệu suất mơ hình Sau đó, ta tiến hành huấn luyện cho mơ hình hồi quy tuyến tính đánh giá kết thử nghiệm Để đánh giá kết thử nghiệm, cần quan tâm đến hệ số xác định R - Squared (Coefficient of Determination) R-squared (R²) độ đo thường sử dụng để đánh giá hiệu suất mô hình hồi quy tuyến tính R-squared đo lường phần trăm biến thể biến phụ thuộc mà mơ hình giải thích dựa biến độc lập Giá trị Rsquared nằm khoảng từ đến hiểu sau: ⮚ R-squared gần 1: Mơ hình giải thích phần lớn biến động biến phụ thuộc, đó, coi mơ hình tốt ⮚ R-squared gần 0: Mơ hình khơng giải thích biến động biến phụ thuộc, đó, coi khơng hiệu 38 Hình 13 Hệ số xác định R-squared mơ hình quý Qua kết ta nhận thấy: ⮚ Trong quý 1: Khoảng 46.3% biến thiên biến phụ thuộc (số lượng hộ bán q) giải thích mơ hình hồi quy tuyến tính Cịn lại 53.7% biến động khơng giải thích mơ hình, ảnh hưởng biến không bao gồm mơ hình ngẫu nhiên ⮚ Trong q 2: Khoảng 11.6% biến thiên biến phụ thuộc giải thích mơ hình Cịn lại 88.4% biến động khơng giải thích, ảnh hưởng biến không bao gồm ngẫu nhiên ⮚ Trong quý 3: Khoảng 6.8% biến thiên biến phụ thuộc giải thích mơ hình Cịn lại 93.2% biến động khơng giải thích ⮚ Trong quý 4: Khoảng 55.4% biến thiên biến phụ thuộc giải thích mơ hình Cịn lại 44.6% biến động khơng giải thích Từ kết ta sử dụng mơ hình huấn luyện để dự đoán số lượng hộ bán tập kiểm thử làm tròn kết 39 Hình 14 Số lượng hộ bán được dự đoán quý 3.3 Đánh giá đề xuất Quy trình thực nghiệm cho ta thấy nhìn tổng quan xoay quanh hộ số lượng hộ Tuy nhiên, giá trị R-squared thấp, cho thấy cịn số biến số khơng giải thích mơ hình Điều số yếu tố như: ⮚ Dữ liệu sử dụng để huấn luyện mơ hình chưa đầy đủ khơng xác ⮚ Mơ hình chưa tối ưu hóa ⮚ Có yếu tố ảnh hưởng đến giá bán hộ mà khơng xem xét mơ hình Để cải thiện hiệu suất mơ hình, thực số phương án sau: ⮚ Thu thập thêm liệu Dữ liệu đầy đủ xác mơ hình có khả học mối quan hệ biến số giá bán hộ Do đó, việc thu thập thêm liệu phương án quan trọng để cải thiện hiệu suất mơ hình ⮚ Tối ưu hóa mơ hình Có thể sử dụng kỹ thuật tối ưu hóa để tìm tham số mơ hình phù hợp với liệu Điều giúp cải thiện khả dự đốn mơ hình 40 ⮚ Xem xét thêm yếu tố khác Ngồi yếu tố xem xét mơ hình, có yếu tố khác ảnh hưởng đến giá bán hộ Do đó, cần xem xét thêm yếu tố để cải thiện khả dự đốn mơ hình Ví dụ như: ● Vị trí hộ ● Tiện ích xung quanh hộ ● Tình trạng thị trường bất động sản Việc xem xét thêm yếu tố giúp cải thiện đáng kể hiệu suất mơ hình 3.4 Kết luận chương Trong chương này, nhóm trình bày phần thực nghiệm đánh giá dự án thông qua đầy đủ bước từ tiền xử lý liệu phân tích mơ tả & dự báo Từ đưa đánh giá đề xuất phù hợp để cải thiện kết dự án tương lai 41 CHƯƠNG 4: XÂY DỰNG HỆ THỐNG DỰ BÁO SỐ LƯỢNG CĂN HỘ BÁN ĐƯỢC TRONG CÁC QUÝ 4.1 Giới thiệu Framework Python Flask micro-framework viết ngơn ngữ lập trình Python dùng cho nhà phát triển web Nó phát triển Armin Ronacher, người dẫn đầu nhóm người đam mê Python quốc tế có tên Poocco Flask dựa công cụ Werkzeg WSGI template engine Jinja2 Cả hai dự án Pocco Micro khơng có nghĩa framework thiếu chức mà thể việc cung cấp chức “cốt lõi” cho ứng dụng web có khả mở rộng, người dùng mở rộng lúc Flask hỗ trợ nhiều tiện ích mở rộng tích hợp CSDL, hệ thống upload, xác thực, template, email… Việc micro-framework giúp cho flask có mơi trường xử lý độc lập phải sử dụng thư viện bên ngồi, điều giúp nhẹ gặp phải lỗi hơn, việc phát xử lý lỗi dễ dàng đơn giản 4.2 Phân tích thiết kế hệ thống 4.2.1 Biểu đồ use-case tổng quát Hình Biểu đồ use-case tổng quát 42 4.2.2 Mô tả chi tiết use-case Tên use case: Dự đoán số lượng hộ bán quý Mô tả vắn tắt Use case cho phép người dùng dự đoán số lượng hộ bán quý biến độc lập Luồng kiện 3.1 Luồng 1) Use case bắt đầu người dùng kích chuột vào nút checkbox hình tương ứng với biến độc lập 2) Người dùng kích chuột vào nút “Predict” bên Hệ thống hiển thị số lượng hộ bán quý 1, 2, 3, tương ứng với số lượng biến độc lập chọn Use case kết thúc 3.2 Luồng rẽ nhánh 1) Tại luồng người dùng kích chuột vào nút “Select All” hệ thống tự động chọn tất checkbox 2) Tại luồng người dùng kích chuột vào nút “Deselect All” hệ thống tự động xóa tất checkbox chọn use-case kết thúc Các u cầu đặc biệt Khơng có Tiền điều kiện Khơng có Hậu điều kiện Khơng có Điểm mở rộng 43 Khơng có 4.3 Phân tích thiết kế giao diện ➢ Bước 1: Truy cập vào website thơng qua framework Flask Hình Giao diện website ➢ Bước 2: Chọn biến độc lập cần dự đốn Có thể chọn tất cách ấn nút ‘Select All’ 44 Hình Chọn biến độc lập 45 Hình 4 Chọn tất cách ấn nút Select All ➢ Bước 3: Ấn nút ‘Predict’ để dự đoán số lượng hộ bán quý 46 Hình Kết sau dự đoán ➢ Bước 4: Hủy chọn tất cách ấn nút ‘Deselect All’ 47 Hình Bỏ chọn biến độc lập 4.4 Kết luận chương Trong chương này, nhóm trình bày phần xây dựng hệ thống giao diện website cho dự án thông qua framework Flask Từ hiển thị khái quát nội dung đề tài thực 48 KẾT LUẬN Trong toán phân tích dự báo số nhà bán quý mơ hình hồi quy tuyến tính, sử dụng mơ hình để dự đốn đánh giá số lượng nhà bán tương lai dựa biến độc lập có sẵn Qua q trình phân tích, xây dựng mơ hình hồi quy tuyến tính dựa biến độc lập giá nhà, diện tích, vị trí, số phịng ngủ, phịng tắm yếu tố khác ảnh hưởng đến số nhà bán Mơ hình đào tạo điều chỉnh để tối ưu hóa dự đoán số nhà bán Chúng ta sử dụng phương pháp tiền xử lý liệu , phân tích mơ tả, phân tích hồi quy để đảm bảo tính xác hiệu mơ hình Kết từ mơ hình hồi quy tuyến tính cung cấp cho thông tin dự báo số nhà bán quý Điều giúp đưa định chiến lược, lập kế hoạch kinh doanh phân bổ nguồn lực cách hiệu Chúng ta sử dụng dự báo để định hướng hoạt động, đưa chiến lược tiếp thị quản lý rủi ro Tuy nhiên, mơ hình hồi quy tuyến tính có nhược điểm giới hạn Nó giả định mối quan hệ tuyến tính biến phụ thuộc biến độc lập, khơng phù hợp với mơ hình có mối quan hệ phi tuyến hay phức tạp Đồng thời, độ xác dự đốn bị ảnh hưởng độ tin cậy liệu đầu vào yếu tố ngoại vi Trong tương lai, để thu kết tốt hơn, nhóm đề xuất việc sử dụng thêm liệu, xử lý liệu nhiễu thiếu, áp dụng phương pháp hồi quy tuyến tính nâng cao kỹ thuật phương pháp khác để cải thiện kết thu 49 TÀI LIỆU THAM KHẢO [1] Hồi quy tuyến tính gì? URL: https://aws.amazon.com/vi/what-is/linear-regression/ Lần truy cập gần nhất: 22/11/2023 [2] Mơ hình hồi quy tuyến tính URL: https://vi.wikipedia.org/wiki/H%E1%BB%93i_quy_tuy%E1%BA%BFn_t%C 3%ADnh Lần truy cập gần nhất: 25/11/2023 [3] Mơ hình ANN gì? Cấu trúc hoạt động ứng dụng mơ hình URL: https://viettelidc.com.vn/tin-tuc/cam-nang-ai-artificial-neural-networkla-gi-cau-truc-cach-hoat-dong-va-ung-dung-cua-mo-hinh-nay Lần truy cập gần nhất: 25/11/2023 [4] What is Artificial Neural Network and its applications URL: https://www.geeksforgeeks.org/artificial-neural-networks-and-itsapplications/ Lần truy cập gần nhất: 25/11/2023 [5] Khái niệm định, đặc điểm, ưu điểm nhược điểm ví dụ mơ hình URL: https://trituenhantao.io/kien-thuc/decision-tree/ Lần truy cập gần nhất: 26/11/2023 [6] Thuật tốn KNN gì? Đặc điểm, cách hoạt động, ưu điểm nhược điểm ví dụ mơ hình này.https://tek4.vn/khoa-hoc/machine-learning-coban/thuat-toan-k-nearest-neighbors-knn Lần truy cập gần nhất: 29/11/2023 [7] Thuật toán K láng giềng gần (K-Nearest Neighbor - KNN) gì? URL: https://vietnambiz.vn/thuat-toan-k-lang-gieng-gan-nhat-k-nearest-neighborknn-la-gi-2020022911113334.htm Lần truy cập gần nhất: 29/11/2023 [8] Khái niệm Linear Regression (Hồi quy tuyến tính) Phân loại, ứng dụng Linear Regression URL: https://trituenhantao.io/machine-learning-co- 50 ban/bai-3-linear-regression-hoi-quy-tuyen-tinh/ Lần truy cập gần nhất: 01/12/2023 [9] Khái niệm framework Flask URL: https://www.mcivietnam.com/blogdetail/flask-python-la-gi-so-sanh-flask-va-django/ Lần truy cập gần nhất: 25/12/2023 51