Hướng dẫn xây dựng mô hình dự đoán điểm thi bằng Machine Learning

Việc dự đoán điểm thi học sinh, sinh viên đang trở thành một xu hướng ứng dụng Machine Learning trong giáo dục nhằm nâng cao chất lượng giảng dạy và hỗ trợ học tập cá nhân hóa. Với khả năng xử lý dữ liệu lớn và tìm ra các quy luật ẩn, Machine Learning giúp xây dựng mô hình dự đoán chính xác điểm số dựa trên các yếu tố đầu vào như điểm các bài kiểm tra giữa kỳ, điểm chuyên cần, thái độ học tập… Bài viết này sẽ hướng dẫn bạn từng bước xây dựng một mô hình dự đoán điểm thi sử dụng các thuật toán Machine Learning phổ biến, cùng với ví dụ code minh họa bằng Python.

Chuẩn bị môi trường lập trình và thư viện cần thiết

Google Colab là một lựa chọn tuyệt vời cho người mới vì bạn chỉ cần trình duyệt và tài khoản Google. Truy cập https://colab.research.google.com và chọn “New Notebook” để bắt đầu. Nếu bạn quen với Jupyter Notebook trên máy tính, bạn có thể thực hiện các bước tương tự trong đó.

Các thư viện cần thiết bao gồm: pandas, numpy, matplotlib, seaborn và scikit-learn. Trên Google Colab, hầu hết đã được cài sẵn. Nếu dùng Jupyter Notebook, bạn có thể cài bằng lệnh sau:

!pip install pandas numpy matplotlib seaborn scikit-learn

Giới thiệu bài toán và tập dữ liệu

Bài toán đặt ra là dự đoán điểm thi cuối kỳ của học sinh dựa trên các yếu tố đầu vào như số giờ học mỗi tuần, tỉ lệ điểm danh, mức độ hoàn thành bài tập về nhà và điểm kiểm tra giữa kỳ. Đây là một bài toán hồi quy điển hình, nơi chúng ta dự đoán một giá trị liên tục.

Để thực hành, bạn có thể sử dụng bộ dữ liệu Student Performance Data Set từ UCI Machine Learning Repository. Bộ dữ liệu này chứa thông tin học tập của học sinh Bồ Đào Nha, rất phù hợp cho bài toán.

Truy cập https://archive.ics.uci.edu/ml/datasets/Student+Performance, tải về file student.zip, giải nén và lấy file student-mat.csv. Trong Google Colab, nhấn vào biểu tượng thư mục ở thanh bên trái, chọn “Upload” và tải file CSV này lên để sử dụng.

Nạp và tạo dữ liệu

Sau khi đã có file dữ liệu, chúng ta tiến hành đọc dữ liệu vào DataFrame bằng Pandas.

import pandas as pd

# Đọc dữ liệu từ file CSV
data = pd.read_csv('student-mat.csv')

# Xem trước 5 dòng đầu tiên
data.head()

Nếu bạn muốn tạo dữ liệu giả để thử nghiệm nhanh, có thể sử dụng đoạn mã sau. Dữ liệu giả này gồm các cột tương tự như dữ liệu thật:

import numpy as np

# Tạo dữ liệu giả lập
np.random.seed(42)
data = pd.DataFrame({
    'hours_study': np.random.normal(5, 2, 200),
    'attendance': np.random.randint(50, 100, 200),
    'homework_completion': np.random.randint(50, 100, 200),
    'midterm_score': np.random.randint(40, 100, 200),
    'final_score': np.random.randint(40, 100, 200)  # target
})

# Lưu dữ liệu vào file CSV
data.to_csv('student_scores.csv', index=False)

# Xem thông tin tổng quan
data.info()

# Thống kê mô tả
data.describe()

# Kiểm tra dữ liệu thiếu
data.isnull().sum()

import matplotlib.pyplot as plt
import seaborn as sns

# Biểu đồ phân tán giữa giờ học và điểm cuối kỳ
sns.scatterplot(x='hours_study', y='final_score', data=data)
plt.title('Mối quan hệ giữa số giờ học và điểm cuối kỳ')
plt.show()

# Ma trận tương quan
sns.heatmap(data.corr(), annot=True, cmap='coolwarm')
plt.title('Ma trận tương quan')
plt.show()

from sklearn.model_selection import train_test_split

# Tách biến đầu vào và biến mục tiêu
X = data[['hours_study', 'attendance', 'homework_completion', 'midterm_score']]
y = data['final_score']

# Chia dữ liệu thành tập huấn luyện và kiểm tra
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

from sklearn.linear_model import LinearRegression

# Khởi tạo và huấn luyện mô hình
model = LinearRegression()
model.fit(X_train, y_train)

# Dự đoán trên tập kiểm tra
y_pred = model.predict(X_test)

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print(f'MAE: {mae:.2f}')
print(f'MSE: {mse:.2f}')
print(f'R² Score: {r2:.2f}')

# Vẽ biểu đồ so sánh
plt.scatter(y_test, y_pred)
plt.xlabel('Điểm thực tế')
plt.ylabel('Điểm dự đoán')
plt.title('So sánh điểm thực tế và điểm dự đoán')
plt.show()

from sklearn.ensemble import RandomForestRegressor

# Khởi tạo mô hình Random Forest
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# Dự đoán và đánh giá
y_rf_pred = rf_model.predict(X_test)
print('R² của Random Forest:', r2_score(y_test, y_rf_pred))