Giới thiệu dự án

Thị trường bất động sản (BĐS) là một trong những trụ cột quan trọng của nền kinh tế toàn cầu, đóng góp từ 10% đến 15% tổng sản phẩm quốc nội (GDP) tại nhiều quốc gia phát triển và đang phát triển. Tuy nhiên, việc xác định chính xác giá trị thực của một tài sản BĐS luôn là thách thức lớn do tính chất đặc thù: tính bất động, độ bền cao, tính khan hiếm và tính độc nhất (không có hai bất động sản nào hoàn toàn giống nhau). Phương pháp định giá truyền thống thông qua chuyên viên thẩm định (Comparative Market Analysis - CMA) thường tốn kém chi phí (trung bình 300 - 500 USD cho một báo cáo thẩm định tại thị trường Mỹ), mất từ 3 đến 7 ngày xử lý và chịu nhiều tác động từ định kiến chủ quan của con người.

Đồ án tốt nghiệp chuyên ngành Hệ thống Thông tin Quản lý (MIS) của sinh viên Nguyễn Thị Thùy Dung (Trường Quốc tế – Đại học Quốc gia Hà Nội), dưới sự hướng dẫn của TS. Trương Công Đoàn, tập trung giải quyết bài toán: Ứng dụng các phương pháp học máy (Machine Learning - ML) để dự đoán giá bất động sản. Nghiên cứu khai thác tập dữ liệu quy mô lớn từ cuộc thi Zillow Prize trên nền tảng Kaggle nhằm xây dựng mô hình định giá tự động, tối ưu hóa độ chính xác và giảm thiểu sai số dự báo.

                    ┌─────────────────────────────────────────────────────────┐
                    │           Dữ liệu BĐS Đa Chiều (Zillow 2016)           │
                    │  - Thuộc tính vật lý: Diện tích, số phòng, năm xây      │
                    │  - Thuộc tính vị trí: FIPS, Tọa độ Lat/Long, Zip code   │
                    │  - Thuộc tính thuế: Giá trị định giá, thuế suất         │
                    └────────────────────────────┬────────────────────────────┘
                                                 │
                                                 ▼
                    ┌─────────────────────────────────────────────────────────┐
                    │             Pipeline Xử Lý & Tiền Xử Lý                │
                    │  - Xử lý giá trị khuyết thiếu (Median/Mode Imputation)  │
                    │  - Chuẩn hóa dữ liệu (StandardScaler, One-Hot Encoding) │
                    │  - Phân tích tương quan & giảm chiều dữ liệu            │
                    └────────────────────────────┬────────────────────────────┘
                                                 │
                                                 ▼
                    ┌─────────────────────────────────────────────────────────┐
                    │               Mô Hình Học Máy Thực Nghiệm               │
                    │   Linear Regression  │  Decision Tree  │  Random Forest │
                    └────────────────────────────┬────────────────────────────┘
                                                 │
                                                 ▼
                    ┌─────────────────────────────────────────────────────────┐
                    │           Đánh Giá & Tối Ưu Hóa (K-Fold CV)             │
                    │  - Đánh giá: MAE, MSE, R², Explained Variance           │
                    │  - Tối ưu hóa siêu tham số: Grid Search & Random Search │
                    │  - Kết quả: Đạt mô hình tối ưu cho hệ thống AVM         │
                    └─────────────────────────────────────────────────────────┘

Mục tiêu dự án

  1. Thu thập và tiền xử lý dữ liệu quy mô lớn: Làm sạch, chuẩn hóa và xử lý các giá trị khuyết thiếu (Missing Values) cũng như các điểm ngoại lai (Outliers) từ tập dữ liệu Properties_2016 của Zillow chứa gần 3 triệu bản ghi và gần 60 thuộc tính.
  2. Thiết kế và xây dựng các mô hình Machine Learning: Triển khai các thuật toán hồi quy có giám sát (Supervised Learning), bao gồm Hồi quy tuyến tính (Linear Regression), Cây quyết định (Decision Tree), Rừng ngẫu nhiên (Random Forest) và Hồi quy vector hỗ trợ (Support Vector Regression - SVR).
  3. Đánh giá và tối ưu hóa mô hình: Sử dụng các chỉ số định lượng khắt khe như Sai số tuyệt đối trung bình (MAE), Sai số bình phương trung bình (MSE), Hệ số xác định ($R^2$) và Phương sai giải thích (Explained Variance) thông qua kỹ thuật kiểm định chéo K-Fold (Cross-Validation).
  4. Đề xuất giải pháp ứng dụng thực tiễn: Đề xuất mô hình tối ưu nhất để tích hợp vào hệ thống Định giá tự động (Automated Valuation Model - AVM), phục vụ các nhà đầu tư, tổ chức tài chính và cơ quan quản lý.

Phạm vi và giới hạn

  • Không gian địa lý: Dữ liệu giao dịch BĐS tại 3 quận lớn thuộc bang California, Hoa Kỳ: Los Angeles, Orange và Ventura County.
  • Biến mục tiêu: Dự đoán sai số logarit giữa giá định giá tự động của Zillow và giá bán thực tế: $$\text{logerror} = \log(\text{Zestimate}) - \log(\text{SalePrice})$$

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Thẩm định giá truyền thống (CMA) Mô hình thống kê cổ điển (OLS Regression) Giải pháp Machine Learning Ensemble
Chi phí thực hiện Cao ($300 - $500/bất động sản) Thấp (chi phí hệ thống máy tính) Cực thấp (< $0.001/lần gọi API)
Thời gian phản hồi 3 - 7 ngày làm việc Dưới 1 giây Thời gian thực (< 50ms)
Khả năng mở rộng Rất thấp (phụ thuộc nhân lực) Trung bình (hạn chế khi dữ liệu lớn) Không giới hạn (xử lý hàng triệu bản ghi)
Xử lý phi tuyến tính Phụ thuộc cảm quan chuyên viên Kém (chỉ mô hình hóa quan hệ tuyến tính) Rất mạnh (học các mẫu phi tuyến phức tạp)
Khả năng xử lý nhiễu Dễ bị ảnh hưởng bởi định kiến Kém, dễ bị lệch do Outliers Tốt nhờ kỹ thuật lấy mẫu Bootstrap và Voting

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc phải có):
    • Pipeline tự động làm sạch dữ liệu và xử lý giá trị NaN cho hơn 50 thuộc tính.
    • Bộ chuyển đổi One-Hot Encoding cho các biến phân loại (propertylandusetypeid, fips).
    • Module huấn luyện và đánh giá mô hình hồi quy với các metric: MAE, MSE, $R^2$.
  • Should have (Nên có):
    • Công cụ trực quan hóa tương quan ma trận (Correlation Heatmap) và biểu đồ phân phối sai số.
    • Module tinh chỉnh siêu tham số (Hyperparameter Tuning) tự động bằng Grid Search.
  • Could have (Có thể có):
    • Giao diện người dùng Web Application (FastAPI + React) cho phép nhập thông số nhà và trả về giá trị định giá tức thì.
  • Won't have (Chưa thực hiện trong phạm vi này):
    • Xử lý hình ảnh kiến trúc thực tế của ngôi nhà bằng Computer Vision hoặc mạng Convolutional Neural Networks (CNN).

Thiết kế hệ thống

                                  KIẾN TRÚC PIPELINE ML
                                  
 ┌──────────────────────┐      ┌─────────────────────────┐      ┌────────────────────────┐
 │   Zillow Data Lake   │ ───► │  Data Preprocessing     │ ───► │  Feature Engineering   │
 │ - properties_2016.csv│      │  - Missing Value Impute │      │  - Feature Selection   │
 │ - train_2016.csv     │      │  - Outlier Filtering    │      │  - One-Hot / Scaling   │
 └──────────────────────┘      └─────────────────────────┘      └────────────────────────┘
                                                                             │
                                                                             ▼
 ┌──────────────────────┐      ┌─────────────────────────┐      ┌────────────────────────┐
 │   Model Artifacts    │ ◄─── │ Model Evaluation & Tune │ ◄─── │ Model Training Engine  │
 │ - joblib / pickle    │      │ - 5-Fold Cross-Val      │      │ - Linear Regression    │
 │ - Inference Ready    │      │ - MAE, MSE, R² Metrics  │      │ - Decision Tree / RF   │
 └──────────────────────┘      └─────────────────────────┘      └────────────────────────┘

Tech Stack và phiên bản sử dụng

  • Ngôn ngữ lập trình: Python 3.10.12
  • Xử lý và phân tích dữ liệu: Pandas 2.1.4, NumPy 1.26.2
  • Thư viện học máy cốt lõi: Scikit-Learn 1.3.2
  • Trực quan hóa dữ liệu: Matplotlib 3.8.2, Seaborn 0.13.0
  • Lưu trữ & Môi trường thực thi: Jupyter Notebook, Kaggle GPU/CPU Kernel, Google Colab

Cấu trúc thuộc tính dữ liệu quan trọng

-- Cấu trúc các trường dữ liệu cốt lõi trong dataset Properties_2016
CREATE TABLE properties_2016 (
    parcelid INT PRIMARY KEY,                 -- Khóa định danh bất động sản
    bathroomcnt FLOAT,                        -- Số lượng phòng tắm
    bedroomcnt FLOAT,                         -- Số lượng phòng ngủ
    calculatedfinishedsquarefeet FLOAT,       -- Tổng diện tích sàn hoàn thiện (sqft)
    lotsizesquarefeet FLOAT,                  -- Diện tích lô đất
    yearbuilt INT,                            -- Năm hoàn thành xây dựng
    latitude BIGINT,                          -- Vĩ độ (nhân hệ số 10e6)
    longitude BIGINT,                         -- Kinh độ (nhân hệ số 10e6)
    regionidzip INT,                          -- Mã bưu điện khu vực
    taxvaluedollarcnt FLOAT,                  -- Tổng giá trị tài sản tính thuế
    taxamount FLOAT,                          -- Tổng số tiền thuế hàng năm
    logerror FLOAT                            -- Sai số định giá logarit (Biến mục tiêu)
);

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình chuẩn CRISP-DM (Cross-Industry Standard Process for Data Mining) gồm 6 pha:

  1. Business Understanding: Xác định yêu cầu bài toán định giá và chỉ số đo lường nghiệp vụ.
  2. Data Understanding: Khám phá 58 thuộc tính dữ liệu, vẽ biểu đồ Heatmap để nhận diện đa cộng tuyến (Multicollinearity) giữa các biến diện tích (finishedsquarefeet13, finishedsquarefeet15).
  3. Data Preparation: Xử lý dữ liệu rác, điền khuyết giá trị biến số bằng trung vị (Median Imputation) và biến phân loại bằng Mode/Hạng mục riêng biệt.
  4. Modeling: Huấn luyện song song các mô hình cơ sở và mô hình phức hợp.
  5. Evaluation: So sánh các chỉ số sai số trên tập kiểm định độc lập.
  6. Deployment: Đóng gói mô hình dưới dạng Pipeline để tích hợp.

Implementation và kết quả

Quy trình phát triển và Code Snippets

Pipeline xử lý dữ liệu và huấn luyện mô hình được tổ chức theo quy chuẩn module hóa cao, đảm bảo không rò rỉ dữ liệu (Data Leakage) giữa tập huấn luyện và tập kiểm định:

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, KFold, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

# 1. Tải và kết hợp dữ liệu
prop_df = pd.read_csv('properties_2016.csv')
train_df = pd.read_csv('train_2016.csv')
merged_df = pd.merge(train_df, prop_df, on='parcelid', how='left')

# 2. Lựa chọn tập đặc trưng quan trọng
selected_features = [
    'calculatedfinishedsquarefeet', 'bathroomcnt', 'bedroomcnt',
    'lotsizesquarefeet', 'yearbuilt', 'taxvaluedollarcnt', 'taxamount'
]
X = merged_df[selected_features]
y = merged_df['logerror']

# 3. Phân chia tập dữ liệu huấn luyện và kiểm thử (80/20)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.20, random_state=42
)

# 4. Pipeline tiền xử lý: Điền khuyết và Chuẩn hóa đặc trưng
imputer = SimpleImputer(strategy='median')
scaler = StandardScaler()

X_train_processed = scaler.fit_transform(imputer.fit_transform(X_train))
X_test_processed = scaler.transform(imputer.transform(X_test))

# 5. Huấn luyện mô hình Random Forest với Hyperparameter Tuning
rf_params = {
    'n_estimators': [100, 200],
    'max_depth': [10, 20, None],
    'min_samples_split': [2, 5]
}

rf_model = RandomForestRegressor(random_state=42, n_jobs=-1)
grid_search = GridSearchCV(
    estimator=rf_model,
    param_grid=rf_params,
    scoring='neg_mean_absolute_error',
    cv=5,
    verbose=1
)
grid_search.fit(X_train_processed, y_train)

best_rf = grid_search.best_estimator_
y_pred = best_rf.predict(X_test_processed)

# 6. Đánh giá kết quả mô hình
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"Random Forest - MAE: {mae:.5f} | MSE: {mse:.5f} | R2: {r2:.4f}")

Kết quả thực nghiệm và đối sánh

Quá trình thực nghiệm được tiến hành trên cùng một tập dữ liệu phân tách nghiêm ngặt, sử dụng 5-Fold Cross Validation.

Mô hình thuật toán MAE (Mean Absolute Error) MSE (Mean Squared Error) RMSE $R^2$ Score Thời gian huấn luyện (Train Time)
Linear Regression (Baseline) 0.06848 0.02612 0.16161 0.0052 0.12 giây
Decision Tree Regressor 0.07120 0.03890 0.19723 -0.4812 0.85 giây
Support Vector Regression (SVR) 0.06510 0.02580 0.16062 0.0174 45.20 giây
Random Forest Regressor (Tuned) 0.05240 0.01980 0.14071 0.2458 18.60 giây
                           SO SÁNH SAI SỐ MAE GIỮA CÁC MÔ HÌNH
  Mô hình               MAE (Càng thấp càng chính xác)
  ────────────────────────────────────────────────────────────────────────
  Decision Tree       │ ████████████████████████████████████ 0.07120
  Linear Regression   │ ██████████████████████████████████ 0.06848
  SVR                 │ █████████████████████████████████ 0.06510
  Random Forest       │ ██████████████████████████ 0.05240  ◄ [TỐI ƯU NHẤT]
  ────────────────────────────────────────────────────────────────────────

Phân tích kết quả

  • Random Forest vượt trội rõ rệt với chỉ số MAE đạt 0.05240, giảm sai số tuyệt đối 23.5% so với Linear Regression cơ sở và giảm 26.4% so với Decision Tree đơn lẻ.
  • Decision Tree gặp hiện tượng Overfitting nghiêm trọng trên tập huấn luyện dẫn đến chỉ số $R^2$ trên tập kiểm thử bị âm ($-0.4812$), do cây phân nhánh quá sâu theo các thuộc tính nhiễu.
  • Random Forest giải quyết triệt để bài toán phương sai lớn nhờ cơ chế Ensembling kết hợp kỹ thuật lấy mẫu ngẫu nhiên không gian đặc trưng (Feature Subsampling) tại mỗi nút phân tách.

Đổi mới và đóng góp

  1. Khử tương quan đa biến và tối ưu hóa không gian đặc trưng: Nghiên cứu chỉ ra sự phụ thuộc tuyến tính cao giữa các nhóm biến diện tích phụ trợ (như finishedsquarefeet13finishedsquarefeet15, yardbuildingsqft17yardbuildingsqft26). Đồ án đã loại bỏ các biến trùng lặp nhằm giảm hiện tượng đa cộng tuyến, giúp cải thiện độ ổn định trọng số của mô hình lên 14%.
  2. Khai thác biến không gian và định danh hành chính kết hợp: Biến đổi các thuộc tính tọa độ (latitude, longitude) kết hợp với các mã vùng điều tra dân số (rawcensustractandblock, fips), giúp mô hình nắm bắt được hiệu ứng giá trị BĐS theo cụm địa lý vi mô (micro-location premium) mà các mô hình hồi quy truyền thống thường bỏ sót.
  3. Quy trình chuẩn hóa cho bài toán định giá lệch chuẩn: Thiết lập quy trình tiền xử lý mạnh mẽ cho các biến có độ lệch phân phối lớn (Skewed Distribution) như taxvaluedollarcntlotsizesquarefeet, đảm bảo các thuật toán dạng khoảng cách như SVR hội tụ ổn định hơn.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Hệ thống Định giá BĐS Tự động (AVM) cho PropTech: Cung cấp công cụ tra cứu giá nhà tức thì theo thời gian thực cho người mua và người bán, loại bỏ tình trạng thổi giá hoặc ép giá.
  • Thẩm định tài sản thế chấp trong Ngân hàng & Fintech: Rút ngắn thời gian phê duyệt hồ sơ vay thế chấp mua nhà từ 5 ngày xuống dưới 5 phút, giảm chi phí nhân sự thẩm định thực địa lên đến 70%.
  • Quản lý thuế và quy hoạch đô thị: Giúp cơ quan quản lý nhà nước rà soát khung giá đất sát với biến động thị trường, chống thất thu thuế chuyển nhượng bất động sản.

Kiến trúc triển khai hệ thống (Deployment Architecture)

 [Người dùng / Ứng dụng Web]
             │ (HTTPS Request)
             ▼
 ┌─────────────────────────────────────────┐
 │       API Gateway / Nginx Reverse Proxy │
 └───────────────────┬─────────────────────┘
                     │
                     ▼
 ┌─────────────────────────────────────────┐
 │   FastAPI Microservice (Inference Engine)│
 │   - Endpoint: POST /api/v1/predict      │
 │   - Pydantic Data Validation            │
 └───────────────────┬─────────────────────┘
                     │
        ┌────────────┴────────────┐
        ▼                         ▼
 ┌──────────────┐          ┌──────────────┐
 │ Redis Cache  │          │ Model Engine │
 │ (Frequent    │          │ (Scikit-Learn│
 │  Queries)    │          │  RandomForest│
 └──────────────┘          └──────────────┘

Thiết kế RESTful API Endpoint

// POST /api/v1/predict-price
// Request Body:
{
  "calculatedfinishedsquarefeet": 1850.5,
  "bedroomcnt": 3,
  "bathroomcnt": 2.5,
  "lotsizesquarefeet": 6500.0,
  "yearbuilt": 2005,
  "regionidzip": 96095,
  "taxamount": 4500.0
}

// Response Body (200 OK):
{
  "estimated_logerror": 0.0124,
  "predicted_market_value": 745000.0,
  "confidence_interval": {
    "lower_bound": 725000.0,
    "upper_bound": 765000.0
  },
  "inference_latency_ms": 14.8
}

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phạm vi dữ liệu tĩnh: Dataset Zillow 2016 chỉ phản ánh thị trường BĐS tại Nam California tại thời điểm năm 2016, chưa phản ánh các chu kỳ kinh tế vĩ mô biến động (lãi suất FED, lạm phát, suy thoái).
  • Tỷ lệ dữ liệu khuyết thiếu cao: Một số thuộc tính như diện tích tầng hầm (basementsqft), loại lò sưởi (fireplacecnt), hay thông tin hồ bơi (pooltypeid) bị khuyết thiếu hơn 75%, làm giảm khả năng khai thác toàn diện thông tin chi tiết của tài sản.

Hướng phát triển trong tương lai

  • Ứng dụng học sâu (Deep Learning): Thử nghiệm kiến trúc TabNet và Graph Neural Networks (GNN) để mô hình hóa mối quan hệ không gian đa chiều giữa các bất động sản lân cận.
  • Xử lý ngôn ngữ tự nhiên (NLP): Khai phá các trường dữ liệu văn bản phi cấu trúc như mô tả bài đăng bán nhà, quy hoạch chi tiết (propertyzoningdesc) bằng các mô hình Transformer (BERT).
  • Mở rộng thị trường Việt Nam: Thu thập và làm sạch dữ liệu giao dịch BĐS tại các đô thị lớn như Hà Nội và TP. Hồ Chí Minh, bổ sung các yếu tố đặc thù bản địa (hướng nhà, độ rộng ngõ, tình trạng pháp lý sổ hồng/sổ đỏ).

Đối tượng hưởng lợi

 ┌──────────────────┐  ► Tiếp cận quy trình phân tích dữ liệu thực tế trên Kaggle.
 │ Sinh viên &      │  ► Nắm vững phương pháp xử lý Missing Values và Tuning mô hình.
 │ Người mới học    │
 └──────────────────┘
 ┌──────────────────┐  ► Khung tham chiếu mã nguồn tối ưu cho bài toán Hồi quy (Regression).
 │ Lập trình viên & │  ► Template triển khai pipeline từ Feature Engineering đến Model Export.
 │ Data Scientists  │
 └──────────────────┘
 ┌──────────────────┐  ► Cơ sở xây dựng hệ thống định giá tự động (AVM) độ trễ thấp.
 │ Doanh nghiệp BĐS │  ► Tiết kiệm hàng tỷ đồng chi phí vận hành thẩm định định kỳ.
 │ & Tổ chức Tín dụng│
 └──────────────────┘
 ┌──────────────────┐  ► Bằng chứng thực nghiệm định lượng giữa các thuật toán học máy.
 │ Nhà nghiên cứu   │  ► Tiền đề tích hợp dữ liệu kinh tế lượng và học sâu vào kinh tế BĐS.
 │ & Chuyên gia MIS │
 └──────────────────┘

Câu hỏi thường gặp

1. Cần cấu hình phần cứng tối thiểu nào để huấn luyện và triển khai mô hình?

Để huấn luyện mô hình Random Forest trên tập dữ liệu ~3 triệu bản ghi, hệ thống cần tối thiểu CPU 4 nhân (khuyến nghị 8 nhân để chạy đa luồng n_jobs=-1), 16GB RAM và 5GB dung lượng đĩa trống. Khi triển khai suy luận (Inference), mô hình chỉ cần môi trường container Docker nhẹ với 1 vCPU và 2GB RAM là có thể đáp ứng hàng trăm yêu cầu mỗi giây.

2. Làm thế nào để xử lý triệt để hiện tượng Overfitting trên mô hình cây quyết định?

Trong đồ án, hiện tượng Overfitting của Decision Tree đơn lẻ được khắc phục bằng cách chuyển sang mô hình Ensemble (Random Forest). Đồng thời, việc áp dụng Grid Search để giới hạn độ sâu tối đa của cây (max_depth=20), tăng ngưỡng mẫu tối thiểu để phân tách nút (min_samples_split=5) và kiểm định chéo K-Fold ($k=5$) đã giúp kiểm soát chặt chẽ phương sai của mô hình.

3. Mô hình xử lý các đặc trưng dạng phân loại (Categorical Features) như thế nào?

Các đặc trưng phân loại có số lượng nhãn thấp (Low Cardinality) như fips hay buildingqualitytypeid được mã hóa thông qua kỹ thuật One-Hot Encoding. Đối với các trường định danh có số lượng nhãn quá lớn (High Cardinality) như regionidzip, kỹ thuật Target Encoding hoặc Frequency Encoding được áp dụng để tránh bùng nổ chiều dữ liệu (Curse of Dimensionality).

4. Chi phí vận hành và bảo trì hệ thống này trong thực tế là bao nhiêu?

Chi phí vận hành trên hạ tầng đám mây (AWS/GCP) cho một hệ thống AVM quy mô vừa ước tính khoảng $50 - $150/tháng (bao gồm 1 instance server ứng dụng và Redis Cache). So với chi phí thuê nhân sự thẩm định viên truyền thống, hệ thống giúp tiết kiệm hơn 85% chi phí vận hành định giá tài sản định kỳ.

5. Tại sao biến mục tiêu trong đồ án lại là logerror thay vì giá bán thực tế SalePrice?

Việc dự đoán logerror ($\log(\text{Zestimate}) - \log(\text{SalePrice})$) giúp chuẩn hóa sai số dự báo độc lập với quy mô giá trị tuyệt đối của ngôi nhà (ngôi nhà 1 triệu USD và ngôi nhà 100,000 USD đều có thang đo sai số log tương đương nhau). Điều này giúp hàm mất mát của mô hình học máy không bị chi phối hoàn toàn bởi các bất động sản siêu sang có giá trị đột biến.


Kết luận

Đồ án tốt nghiệp "Ứng dụng phương pháp học máy để dự đoán giá bất động sản" của sinh viên Nguyễn Thị Thùy Dung đã giải quyết thành công bài toán định giá tài sản tự động dựa trên dữ liệu quy mô lớn của Zillow 2016. Thông qua việc phân tích chuyên sâu, tiền xử lý dữ liệu chặt chẽ và thực nghiệm đối sánh nhiều giải pháp học máy, nghiên cứu đã chứng minh tính vượt trội của thuật toán Random Forest Regressor với sai số tuyệt đối trung bình MAE tối ưu đạt 0.05240.

Kết quả nghiên cứu không chỉ mang lại giá trị học thuật xuất sắc cho chuyên ngành Hệ thống Thông tin Quản lý (MIS) mà còn mở ra tiềm năng thương mại hóa mạnh mẽ cho các doanh nghiệp PropTech, ngân hàng và cơ quan quản lý đô thị. Việc tự động hóa quy trình thẩm định giá bằng trí tuệ nhân tạo là xu thế tất yếu, đặt nền móng cho một thị trường bất động sản minh bạch, hiệu quả và bền vững.