TỪ DỮ LIỆU ĐẾN DỰ ĐOÁN: ỨNG DỤNG HỌC MÁY ĐỂ ƯỚC LƯỢNG GIÁ NHÀ BẰNG PYTHON
1. Khi dữ liệu có thể giúp chúng ta dự đoán giá nhà
Hãy tưởng tượng bạn đang có nhu cầu mua một căn nhà tại thành phố A. Bạn tìm thấy một căn nhà có diện tích 80 m², gồm 2 phòng ngủ và cách trung tâm thành phố khoảng 5 km.
Một câu hỏi đặt ra là: Căn nhà này có giá khoảng bao nhiêu?
Thông thường, chúng ta sẽ tham khảo giá của những căn nhà tương tự trên thị trường, hỏi người môi giới hoặc dựa vào kinh nghiệm cá nhân để đưa ra nhận định.
Tuy nhiên, nếu có trong tay dữ liệu của 1.000 căn nhà đã được giao dịch hoặc khảo sát trước đó, liệu chúng ta có thể sử dụng máy tính để tìm ra mối quan hệ giữa đặc điểm căn nhà và giá bán, từ đó dự đoán giá cho một căn nhà mới hay không?
Đây chính là một bài toán điển hình của lĩnh vực Machine Learning (học máy) – một nhánh quan trọng của trí tuệ nhân tạo (AI).
Thay vì lập trình sẵn mọi quy tắc định giá, chúng ta cung cấp dữ liệu cho máy tính. Thông qua quá trình huấn luyện, máy tính sẽ học cách nhận biết mối quan hệ giữa các đặc điểm của căn nhà và giá trị tương ứng.
2. Xây dựng bài toán dự đoán giá nhà bằng mô hình hồi quy tuyến tính
Để giải quyết bài toán, chúng ta sử dụng thuật toán Linear Regression (hồi quy tuyến tính).
Đây là một thuật toán học máy có giám sát (Supervised Learning), thường được sử dụng để dự đoán các giá trị liên tục như giá nhà, doanh thu, chi phí hoặc mức tiêu thụ điện năng.
Trong bài toán này, chúng ta lựa chọn ba yếu tố đầu vào:
- X1: Diện tích căn nhà (m²).
- X2: Số lượng phòng ngủ.
- X3: Khoảng cách từ căn nhà đến trung tâm thành phố (km).
Giá nhà cần dự đoán được ký hiệu là Y (đơn vị: triệu đồng).
Mô hình hồi quy tuyến tính có dạng:
Y = w0 + w1 × X1 + w2 × X2 + w3 × X3
Trong đó:
- Y: Giá nhà mà mô hình dự đoán.
- X1, X2, X3: Các đặc trưng đầu vào của căn nhà.
- w1, w2, w3: Các hệ số trọng số, thể hiện mối quan hệ giữa từng đặc trưng và giá nhà khi các yếu tố khác được giữ cố định.
- w0: Hệ số chặn (Intercept), biểu thị giá trị dự đoán khi các biến đầu vào bằng 0.
Điểm thú vị của thuật toán này là chúng ta không cần tự xác định các hệ số w0, w1, w2, w3. Máy tính sẽ tự tìm ra các hệ số phù hợp thông qua quá trình học từ dữ liệu.
3. Chuẩn bị dữ liệu cho mô hình học máy
Giả sử chúng ta đã thu thập được dữ liệu của 1.000 căn nhà tại thành phố A. Để minh họa cách thực hiện, bài viết sử dụng 10 mẫu dữ liệu đại diện như sau:
|
Mẫu |
Diện tích (m2)
|
Số phòng ngủ |
Khoảng cách đến trung tâm (km)
|
Giá nhà ( triệu)
|
|
1 |
45 |
1 |
12.5 |
1350 |
|
2 |
65 |
2 |
8 |
2100 |
|
3 |
85 |
3 |
4.5 |
3400 |
|
4 |
120 |
4 |
2.1 |
5800 |
|
5 |
35 |
1 |
15 |
950 |
|
6 |
90 |
3 |
6.2 |
3200 |
|
7 |
50 |
2 |
10.5 |
1600 |
|
8 |
150 |
5 |
3 |
7200 |
|
9 |
75 |
2 |
5 |
2900 |
|
10 |
110 |
3 |
7.5 |
4100 |
Nhìn vào bảng dữ liệu, chúng ta có thể nhận thấy một số xu hướng: những căn nhà có diện tích lớn thường có giá cao hơn; số phòng ngủ cũng có thể góp phần làm tăng giá trị căn nhà; trong khi khoảng cách đến trung tâm có thể tác động theo chiều ngược lại.
Tuy nhiên, đây mới chỉ là những nhận định ban đầu. Chúng ta cần sử dụng thuật toán học máy để xác định mối quan hệ giữa các yếu tố một cách có hệ thống.
4. Thực hành xây dựng mô hình dự đoán bằng Python trên Google Colab
Để thực hiện bài toán, chúng ta sử dụng Google Colab – một nền tảng lập trình Python trực tuyến, cho phép chạy chương trình ngay trên trình duyệt mà không cần cài đặt môi trường lập trình phức tạp.
Bước 1. Truy cập Google Colab
Mở trình duyệt và truy cập địa chỉ: https://colab.research.google.com/
Bước 2. Khởi tạo các thư viện cần thiết
Chúng ta sử dụng ba thư viện chính:
- NumPy: Hỗ trợ tính toán số học và xử lý mảng dữ liệu.
- Pandas: Hỗ trợ đọc, tổ chức và xử lý dữ liệu dạng bảng.
- Scikit-learn: Cung cấp các thuật toán học máy, trong đó có hồi quy tuyến tính.
Đoạn mã:
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
Trong Python, từ khóa import dùng để đưa thư viện vào chương trình; as dùng để đặt tên viết tắt cho thư viện. Chẳng hạn, pd là tên viết tắt thường dùng của Pandas và np là tên viết tắt của NumPy.
Bước 3. Đưa dữ liệu vào chương trình
Có hai cách để đưa dữ liệu vào Google Colab.
Cách thứ nhất: Chuẩn bị dữ liệu trong một file CSV có tên sample.csv, sau đó tải file lên Google Colab và đọc dữ liệu bằng lệnh: df = pd.read_csv("sample.csv")
Lưu ý: CSV là định dạng tệp lưu trữ dữ liệu dạng bảng, tương tự như một bảng tính Excel đơn giản.
Cách thứ hai: Nếu số lượng mẫu ít, chúng ta có thể nhập trực tiếp dữ liệu bằng Pandas: X = pd.DataFrame({
"dien_tich": [45,65,85,120,35,90,50,150,75,110],"so_phong_ngu": [1,2,3,4,1,3,2,5,2,3], "khoang_cach_tt": [12.5,8,4.5,2.1,15,6.2,10.5,3,5,7.5] })
y = [1350,2100,3400,5800,950,3200,1600,7200,2900,4100]
Ở đây, X là tập hợp các thông tin đầu vào của căn nhà, còn y là tập hợp giá nhà tương ứng.
Bước 4. Phân tách biến đầu vào và biến cần dự đoán
Trong học máy, dữ liệu thường được chia thành hai nhóm:
- X (Features): Các đặc trưng dùng để dự đoán, bao gồm diện tích, số phòng ngủ và khoảng cách đến trung tâm.
- y (Target): Giá nhà mà chúng ta muốn mô hình học cách dự đoán.
Nếu sử dụng dữ liệu CSV, chúng ta thực hiện:
X = df[["dien_tich", "so_phong_ngu", "khoang_cach_tt"]]
y = df["gia_nha"]
Bước 5. Khởi tạo và huấn luyện mô hình
Đây là bước quan trọng nhất trong quá trình học máy.
Chúng ta khởi tạo thuật toán hồi quy tuyến tính và đưa dữ liệu vào để huấn luyện: model = LinearRegression()
model.fit(X, y)
Trong đó:
- LinearRegression(): Khởi tạo mô hình hồi quy tuyến tính.
- model.fit(X, y): Huấn luyện mô hình bằng cách tìm các hệ số phù hợp nhất với dữ liệu đã cung cấp.
Có thể hiểu đơn giản, máy tính đang học từ những căn nhà đã biết giá để tìm ra công thức dự đoán giá cho những căn nhà chưa biết giá.
Bước 6. Xem kết quả huấn luyện
Sau khi huấn luyện, chúng ta có thể lấy các hệ số mà mô hình đã tìm được với 10 mẫu dữ liệu minh họa ở trên và kết quả thu được là:
|
Thành phần |
Giá trị |
|
Hệ số chặn (w0) |
-1.110,53 |
|
Trọng số diện tích (w1) |
40,25 |
|
Trọng số số phòng ngủ (w2 |
408,31 |
|
Trọng số khoảng cách (w3 |
-1,53 |
Như vậy, mô hình đã tự tìm ra phương trình dự đoán giá nhà:
Y = -1110,53 + 40,25 × X1 + 408,31 × X2 - 1,53 × X3
Điều này có nghĩa là mô hình đã xác định được mối quan hệ toán học giữa ba yếu tố đầu vào và giá nhà dựa trên dữ liệu huấn luyện.
Các hệ số trên thể hiện mức độ liên hệ giữa từng yếu tố và giá nhà trong mô hình, khi giữ các yếu tố còn lại không đổi. Chẳng hạn, hệ số diện tích dương cho thấy diện tích có xu hướng đồng biến với giá nhà, còn hệ số khoảng cách âm cho thấy khoảng cách xa hơn có xu hướng gắn với giá nhà thấp hơn.
Bước 7. Dự đoán giá của một căn nhà mới
Bây giờ, chúng ta quay lại tình huống ban đầu.
Một khách hàng muốn tham khảo giá căn nhà có các thông số:
- Diện tích: 80 m².
- Số phòng ngủ: 2.
- Khoảng cách đến trung tâm: 5 km.
Chúng ta nhập các thông tin này vào mô hình:
nha_moi = pd.DataFrame({ "dien_tich": [80], "so_phong_ngu": [2],
"khoang_cach_tt": [5.0]})
gia_du_doan = model.predict(nha_moi)
print(f"{gia_du_doan[0]:.2f}")
Sau khi thực thi chương trình, kết quả nhận được là:
2.918,11 triệu đồng.
Như vậy, mô hình dự đoán căn nhà có giá khoảng 2,92 tỷ đồng.
Điều đáng chú ý là chúng ta không cần viết riêng một công thức định giá cho từng căn nhà. Chỉ cần cung cấp các thông số đầu vào, mô hình đã được huấn luyện có thể tự động tính toán và đưa ra kết quả dự đoán.
5. Từ bài toán giá nhà đến những ứng dụng thực tế của trí tuệ nhân tạo
Qua ví dụ trên, chúng ta có thể thấy học máy không phải là một khái niệm quá xa vời hay khó tiếp cận. Về bản chất, máy tính sử dụng dữ liệu trong quá khứ để tìm ra quy luật, sau đó vận dụng quy luật đó để dự đoán những trường hợp mới.
Thuật toán hồi quy tuyến tính có thể được ứng dụng trong nhiều lĩnh vực:
- Bất động sản: Dự đoán giá nhà, giá đất dựa trên diện tích, vị trí và tiện ích.
- Kinh doanh: Dự báo doanh thu, sản lượng tiêu thụ và nhu cầu thị trường.
- Du lịch – khách sạn: Ước lượng giá phòng dựa trên mùa du lịch, vị trí, loại phòng và nhu cầu đặt phòng.
- Tài chính: Dự báo chi phí, doanh thu và một số chỉ số kinh tế.
- Sản xuất: Ước lượng sản lượng, chi phí và nhu cầu nguyên vật liệu.
Tuy nhiên, cần lưu ý rằng kết quả dự đoán của mô hình không đồng nghĩa với giá trị thực tế hoặc giá giao dịch chắc chắn của căn nhà. Độ chính xác phụ thuộc vào chất lượng, số lượng và tính đại diện của dữ liệu.
Trong thực tế, nếu có 1.000 mẫu dữ liệu, chúng ta nên chia dữ liệu thành tập huấn luyện (Training Set) và tập kiểm tra (Testing Set), sau đó sử dụng các chỉ số đánh giá như MAE, MSE hoặc R² để kiểm tra khả năng dự đoán của mô hình trên dữ liệu chưa từng được học.
6. Kết luận: Học máy bắt đầu từ những bài toán gần gũi nhất
Từ một bài toán tưởng chừng đơn giản là dự đoán giá nhà, chúng ta đã tiếp cận được những bước cơ bản của một quy trình học máy: thu thập dữ liệu, lựa chọn đặc trưng, xây dựng mô hình, huấn luyện và dự đoán.
Điều quan trọng không chỉ nằm ở việc máy tính đưa ra được con số 2,92 tỷ đồng, mà còn ở cách chúng ta biến dữ liệu thành tri thức có thể ứng dụng vào thực tiễn.
Đây cũng chính là một trong những giá trị cốt lõi của trí tuệ nhân tạo: không chỉ lưu trữ và xử lý thông tin, mà còn học từ dữ liệu để hỗ trợ con người phân tích, dự báo và ra quyết định tốt hơn.
Với những công cụ miễn phí như Google Colab và thư viện Scikit-learn, sinh viên hoàn toàn có thể bắt đầu hành trình khám phá AI và Machine Learning từ những bài toán thực tế, gần gũi với cuộc sống hằng ngày.
Ths Nguyễn Phúc Minh Tú