Dự đoán giá nhà bằng mô hình tuyến tính trong sklearn

Dự đoán giá nhà là một bài toán phổ biến trong học máy, giúp người học nắm vững quy trình xây dựng mô hình từ thu thập dữ liệu, huấn luyện đến đánh giá. Nếu bạn chưa quen với cách xây dựng mô hình, hãy tham khảo bài Hướng dẫn xây dựng mô hình dự đoán điểm thi bằng Machine Learning để hiểu cách thiết lập một pipeline cơ bản.

Ngoài ra, bài Giải thích đơn giản về hồi quy tuyến tính trong ML sẽ giúp bạn hiểu rõ hơn về nguyên lý của phương pháp hồi quy tuyến tính mà chúng ta sắp áp dụng. Để có thêm nhiều lựa chọn dữ liệu khác nhau cho đồ án, bạn cũng nên xem qua Tổng hợp các loại tập dữ liệu mở cho đồ án AI để tìm các bộ dataset phù hợp.

Tổng quan bài toán dự đoán giá nhà

Bài toán đặt ra là: từ các đặc trưng của ngôi nhà (số phòng, diện tích, tỷ lệ tội phạm khu vực,…) dự đoán giá trị nhà trung bình. Đây là bài toán hồi quy (regression) vì đầu ra là một giá trị liên tục.

Trong hướng dẫn này, chúng ta sẽ sử dụng bộ dữ liệu California Housing – một bộ dữ liệu phổ biến cung cấp thông tin về nhà cửa ở California, với hơn 20.000 mẫu và 8 đặc trưng. Mục tiêu là dự đoán giá nhà trung bình theo từng khu vực.

Cài đặt và chuẩn bị môi trường làm việc

Google Colab là môi trường lý tưởng cho người mới vì không cần cài đặt phần mềm phức tạp. Bạn chỉ cần truy cập Google Colab và tạo một notebook mới.

Đầu tiên, cài đặt các thư viện cần thiết:

# Cài đặt scikit-learn nếu chưa có
!pip install scikit-learn matplotlib pandas

Import các thư viện cần dùng:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# Tải dữ liệu California Housing
housing = fetch_california_housing(as_frame=True)
df = housing.frame

# Hiển thị 5 dòng đầu tiên
print(df.head())

# Kiểm tra thông tin dữ liệu
print(df.info())

# X và y
X = df.drop('MedHouseVal', axis=1)
y = df['MedHouseVal']

# Tách tập train và test (80% train, 20% test)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Tạo mô hình hồi quy tuyến tính
model = LinearRegression()

# Huấn luyện mô hình
model.fit(X_train, y_train)

# Hệ số và intercept
print("Intercept:", model.intercept_)
print("Hệ số (coefficients):")
for name, coef in zip(X.columns, model.coef_):
    print(f"{name}: {coef}")

# Dự đoán
y_pred = model.predict(X_test)

# Tính MSE và R²
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print(f"Mean Squared Error (MSE): {mse:.2f}")
print(f"R² Score: {r2:.2f}")

# Vẽ biểu đồ so sánh giá thực tế và dự đoán
plt.scatter(y_test, y_pred, alpha=0.5)
plt.xlabel("Giá thực tế")
plt.ylabel("Giá dự đoán")
plt.title("So sánh giá nhà thực tế và dự đoán")
plt.show()