Dự đoán điểm số bằng Machine Learning: bắt đầu từ đâu?

Trong thời đại dữ liệu lớn và trí tuệ nhân tạo, giáo dục không thể đứng ngoài cuộc. Một trong những ứng dụng đơn giản và thiết thực của machine learning (ML) là dự đoán điểm số sinh viên.

Bằng cách sử dụng dữ liệu như kết quả học tập trước, số lần đi học, tình trạng ôn tập, giới tính hoặc các đặc điểm cá nhân, bạn có thể xây dựng một mô hình để dự đoán điểm trung bình hoặc điểm môn học cụ thể. Điều này không chỉ giúp giáo viên theo dõi tiến độ mà còn hỗ trợ sinh viên cải thiện hiệu suất học tập.

Nếu bạn đang làm đồ án hoặc muốn thực hành một bài toán machine learning thực tế, thì đây là một chủ đề lý tưởng để bắt đầu. Nhưng… bắt đầu từ đâu?

Xác định bài toán cụ thể

Trước hết, bạn cần xác định rõ mình đang giải bài toán gì. Có 2 hướng phổ biến:

• Hồi quy (Regression): Dự đoán điểm số cụ thể (ví dụ: điểm Toán, điểm trung bình học kỳ).

• Phân loại (Classification): Dự đoán học lực (Yếu, Trung bình, Khá, Giỏi).

Tùy vào mục tiêu của bạn hoặc yêu cầu đề tài, bạn sẽ chọn một trong hai hướng trên.

Ví dụ:

• Bài toán hồi quy: dự đoán điểm trung bình học kỳ của sinh viên năm nhất

• Bài toán phân loại: dự đoán học lực (3 lớp) dựa trên điểm chuyên cần, kiểm tra giữa kỳ, bài tập

Chuẩn bị dữ liệu

Dữ liệu là phần quan trọng nhất của bất kỳ dự án ML nào. Có 2 cách để có dữ liệu:

1. Tự tạo (giả lập): Nếu không có nguồn thực tế, bạn có thể tạo một bảng giả lập với vài trăm dòng, mô phỏng điểm số và hành vi sinh viên.
2. Dữ liệu có sẵn:
   Bạn có thể dùng bộ dữ liệu như:

• StudentsPerformance.csv (Kaggle) tải data tại đây!

Ví dụ một dòng dữ liệu:

Định hình dữ liệu: cần xử lý các cột dạng text (giới tính, tình trạng ôn tập) về dạng số, chia đặc trưng đầu vào (X) và đầu ra (y).

Lựa chọn thuật toán phù hợp

Một vài thuật toán phổ biến bạn có thể dùng:

Hồi quy:

• Linear Regression: Đơn giản, dễ hiểu, phù hợp với người mới học

• Random Forest Regressor: Hiệu quả cao, dễ cải thiện độ chính xác

Phân loại:

• Logistic Regression: Cơ bản, dễ triển khai

• K-Nearest Neighbors (KNN)

• Random Forest Classifier

Khi mới bắt đầu, bạn nên chọn Linear Regression hoặc Logistic Regression để dễ giải thích mô hình và tránh overfitting.

Cài đặt môi trường và thư viện

Sử dụng Python là lựa chọn hợp lý nhất cho đồ án hoặc thử nghiệm.

Thư viện cần thiết:

pip install pandas scikit-learn matplotlib seaborn joblib

Cấu trúc thư mục dự án gợi ý:

student_score_predictor/
├── data/
│   └── StudentsPerformance.csv
├── train.py
├── predict.py
├── evaluate.py
├── visualize.py

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import pandas as pd
import joblib

# Đọc dữ liệu
df = pd.read_csv('data/StudentsPerformance.csv')
df['gender'] = df['gender'].map({'female': 0, 'male': 1})
df['test preparation course'] = df['test preparation course'].map({'none': 0, 'completed': 1})
df['average_score'] = df[['math score', 'reading score', 'writing score']].mean(axis=1)

X = df[['gender', 'test preparation course', 'math score', 'reading score']]
y = df['average_score']

# Chia dữ liệu
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Huấn luyện
model = LinearRegression()
model.fit(X_train, y_train)

# Lưu mô hình
joblib.dump(model, 'model.pkl')

from sklearn.metrics import mean_squared_error, r2_score
import joblib

model = joblib.load('model.pkl')
y_pred = model.predict(X_test)

print("MSE:", mean_squared_error(y_test, y_pred))
print("R2:", r2_score(y_test, y_pred))