Thực hiện bởi Nhóm 10
10/23/2024
Phân loại: SỐ HÓA DỮ LIỆU THỰC
Tên đề tài: Build Regression Models for House Price Prediction
Giảng viên:
Thạc sĩ Hồ Nhựt Minh
Nhóm 10
Thành viên:
Link GitHub:
https://github.com/qnghia2312/House-Price-Prediction
<aside> 🔖 Mục tiêu và mục đích:
</aside>
Mục tiêu chính của đề tài này là xây dựng một chương trình tiên tiến và đáng tin cậy có khả năng dự đoán được giá nhà bằng mô hình hồi quy. Chương trình sẽ dự đoán giá nhà một cách chu toàn trên nhiều mặt, thu thập dữ liệu từ khu vực sinh sống, hoàn cảnh nơi ở, giá tiền, cấu trúc ngôi nhà… Điều này sẽ giúp cho chương trình có thể dự đoán được giá nhà chính xác nhất có thể để giúp mọi người có cái nhìn chính xác về giá nhà ở và mua được nhà với tài chính của mình.
<aside> 🔖 Vấn đề:
</aside>
Vì thị trường nhà ở dễ bị biến động và không chắc chắn, điều quan trọng là phải tìm ra số liệu chính nào ảnh hưởng đến khả năng dự đoán giá nhà. Giá nhà thường được cho là gắn liền với nền kinh tế của chúng ta, nhưng điều này có đúng không? Mặc dù có rất nhiều dữ liệu có sẵn, dự báo giá bất động sản đáng tin cậy vẫn còn thiếu.
<aside> 🔖 Sơ đồ luồng đề tài:
</aside>
<aside> 🔖 Yêu cầu:
</aside>
<aside> <img src="/icons/clover_green.svg" alt="/icons/clover_green.svg" width="40px" /> Yêu cầu chức năng:
⦁ Mô hình học máy dựa trên Python có thể học hỏi từ dữ liệu và tính toán chi phí của một ngôi nhà ở bất kỳ quận nào với tất cả các biến khác trong tập dữ liệu.
</aside>
<aside> <img src="/icons/clover_green.svg" alt="/icons/clover_green.svg" width="40px" /> Yêu cầu phi chức năng:
</aside>
<aside> <img src="/icons/clover_green.svg" alt="/icons/clover_green.svg" width="40px" /> Phần mềm:
</aside>
<aside> <img src="/icons/clover_green.svg" alt="/icons/clover_green.svg" width="40px" /> Cách thức hoạt động của mô hình:
</aside>
<aside> 🔖 Tóm tắt đề tài:
</aside>
Với các dự liệu gồm số liệu của 200 căn hộ, cung cấp lượng dữ liệu đầy đủ, chúng tôi đã sử dụng phương phân tích dữ liệu( EDA) để đào tạo và kiểm tra các mô hình học máy nhằm đảm bảo mức độ chính xác cao. Khối lượng này có thể thúc đẩy sự phát triển của các mô hình đáng tin cậy có khả năng dự đoán được giá nhà trong đời thực.
<aside> 🔖 Kết luận:
</aside>
⦁ Trong nhiều năm, giá nhà được giải thích thông qua các giá trị số chứa nhiều thông tin khác nhau về những ngôi nhà. Việc sử dụng số liệu thống kê làm tăng số lượng nghiên cứu khoa học dựa trên dữ liệu nhà ở. Một trong những chủ đề được nghiên cứu thường xuyên trong các nghiên cứu khoa học này là dự đoán của giá nhà. Đồ án của chúng tôi là một ví dụ về những nghiên cứu này, các mô hình dự đoán giá nhà sử dụng thuật toán học máy và các mô hình. Chúng tôi đã xây dựng hai mô hình học máy phổ biến để huấn luyện tập dữ liệu. Chúng tôi đã đo điểm chính xác của họ trên cả hai tập huấn luyện và kiểm tra. Dựa trên điểm số chính xác, chúng tôi mạnh mẽ đề xuất mô hình Random Forest (hồi quy rừng ngẫu nhiên) để dự đoán tốt hơn của giá nhà.
⦁ Mô hình sẽ có thể dự đoán giá nhà chính xác để người mua hoặc người bán không bị lạc. Điều này sẽ hữu ích cho cả người mua và người bán cũng như các đại lý và công ty bất động sản.
<aside> 🔖 Phương hướng phát triển
</aside>
Phát triển các tính năng và giao diện người dùng trên nhiều thiết bị điện tử để người dùng có thể dễ dàng tiếp cận và sử dụng.
Video: Trình bày cách thức hoạt động
https://www.youtube.com/watch?v=otW3oewp6MM
