Giới thiệu dự án

Trong bối cảnh đô thị hóa nhanh chóng và sự biến động phức tạp của thị trường bất động sản (BĐS) tại các đô thị lớn như Hà Nội, nhu cầu định giá chính xác, minh bạch và tức thời trở nên cấp thiết. Theo các báo cáo phân tích thị trường giai đoạn 2020–2022, giao dịch BĐS nhà ở chiếm tỷ trọng áp đảo nhưng đối mặt với tình trạng bất cân xứng thông tin trầm trọng, biên độ giá nhiễu loạn và thiếu tính nhất quán giữa các nguồn dữ liệu trực tuyến.

Vấn đề cốt lõi (Problem Statement) nằm ở phương thức thẩm định truyền thống: quá trình định giá thủ công phụ thuộc nặng nề vào cảm tính của thẩm định viên, chỉ xử lý đồng thời tối đa 10–15 biến số định tính/định lượng, tốn kém thời gian (trung bình 3–7 ngày làm việc/hồ sơ) và dễ phát sinh sai số chủ quan. Trong khi đó, người mua cá nhân và các tổ chức tài chính phải đối mặt với hàng chục nghìn tin đăng rao bán mỗi tháng với cấu trúc dữ liệu phân mảnh, trường thông tin khuyết thiếu và hiện tượng "thổi giá" ảo.

Mục tiêu cụ thể của dự án khóa luận tốt nghiệp bao gồm:

  1. Xây dựng quy trình tự động hóa thu thập và làm sạch dữ liệu BĐS nhà ở quy mô lớn tại Hà Nội từ các nền tảng trực tuyến.
  2. Thiết lập quy trình tiền xử lý dữ liệu nâng cao: xử lý biến khuyết thiếu bằng thuật toán học máy ($K$-Nearest Neighbors Imputer) và mã hóa tọa độ địa lý không gian (Geocoding).
  3. Triển khai, tối ưu siêu tham số và đánh giá so sánh hiệu năng của 3 mô hình hồi quy kinh điển: Hồi quy tuyến tính bội (Multiple Linear Regression - MLR), Hồi quy Ridge (Ridge Regression - RR), và Hồi quy vectơ hỗ trợ (Support Vector Regression - SVR).
  4. Phân tích tác động của hiện tượng đa cộng tuyến (Multicollinearity) thông qua hệ số phóng đại phương sai (Variance Inflation Factor - VIF) và đề xuất mô hình dự báo tối ưu cho từng phân khúc nhà ở (nhà mặt tiền, nhà trong hẻm).

Giải pháp ứng dụng học máy cho phép tiếp cận phi tham số và bán tham số, tự động khai phá mối quan hệ phi tuyến phức tạp giữa các đặc trưng vật lý, pháp lý, vị trí không gian với giá bán thực tế. Phạm vi nghiên cứu tập trung vào phân khúc BĐS nhà ở riêng lẻ tại địa bàn các quận/huyện TP. Hà Nội, sử dụng tập dữ liệu giao dịch tháng 4/2022 với quy mô ban đầu 31.747 bản ghi.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp thẩm định truyền thống tại Việt Nam hiện tuân theo Tiêu chuẩn Thẩm định giá Việt Nam (TĐGVN), bao gồm 5 phương pháp chính: So sánh trực tiếp, Chi phí, Thu nhập, Thặng dư và Lợi nhuận. Bảng so sánh dưới đây làm rõ ưu nhược điểm giữa phương pháp truyền thống và giải pháp tự động hóa bằng học máy (Automated Valuation Model - AVM):

Tiêu chí Thẩm định truyền thống (So sánh trực tiếp/Chi phí) Định giá tự động bằng Học máy (Machine Learning AVM)
Số lượng biến xử lý Giới hạn từ 10–15 biến đặc trưng Xử lý hàng chục đến hàng trăm chiều dữ liệu cùng lúc
Tính khách quan Phụ thuộc kinh nghiệm cá nhân, dễ sai lệch Khách quan 100% dựa trên phân phối toán học của dữ liệu
Tốc độ xử lý 24 – 72 giờ cho một BĐS đơn lẻ < 100 mili-giây cho mỗi lượt suy luận (Inference)
Khả năng mở rộng Không thể mở rộng quy mô lớn (Tốn nhân sự) Dễ dàng mở rộng cho hàng triệu bản ghi theo thời gian thực
Xử lý phi tuyến Rất khó mô hình hóa các tương tác phức tạp Xuất sắc nhờ Kernel RBF trong SVR hoặc Regularization

Yêu cầu người dùng được phân loại theo mô hình MoSCoW:

  • Must-have: Khả năng trích xuất tọa độ kinh/vĩ độ từ địa chỉ chuỗi; pipeline làm sạch đơn vị tiền tệ/diện tích; mô hình dự báo đạt sai số kiểm soát ($R^2 > 0.70$).
  • Should-have: Kiểm định và tự động loại bỏ đa cộng tuyến bằng VIF; điều chỉnh siêu tham số tự động qua $K$-Fold Cross Validation.
  • Could-have: Phân tách chuyên biệt tập dữ liệu thành các phân khúc phụ (nhà ngõ vs nhà mặt phố).
  • Won't-have: Tích hợp dữ liệu hình ảnh nội thất và xử lý ngôn ngữ tự nhiên từ văn bản tự do (giới hạn trong phạm vi khóa luận).

Thiết kế hệ thống

Kiến trúc luồng dữ liệu (Data Pipeline) từ khâu thu thập đến xuất kết quả dự đoán được thiết kế thành một chu trình khép kín:

graph TD
    A["Thu thập dữ liệu thô (Octoparse - 31,747 records)"] --> B["Geocoding: Địa chỉ -> Latitude/Longitude (Geopy)"]
    B --> C["Làm sạch dữ liệu & Chuẩn hóa định dạng số"]
    C --> D["Xử lý giá trị khuyết thiếu (KNNImputer k=5)"]
    D --> E["Lọc ngoại lai (Outlier Removal) & Mã hóa One-Hot/Label"]
    E --> F["Kiểm tra Đa cộng tuyến (VIF Analysis)"]
    F --> G1["Mô hình 1: Hồi quy tuyến tính bội (OLS)"]
    F --> G2["Mô hình 2: Hồi quy Ridge (L2 Penalty)"]
    F --> G3["Mô hình 3: Hồi quy SVR (RBF Kernel & GridSearchCV)"]
    G1 --> H["Đánh giá & Benchmark (MAE, MSE, RMSE, R²)"]
    G2 --> H
    G3 --> H

Hệ thống công nghệ và phiên bản sử dụng:

  • Ngôn ngữ: Python 3.9+
  • Thư viện xử lý dữ liệu: Pandas 1.4.2, NumPy 1.22.3
  • Thư viện học máy: Scikit-Learn 1.0.2
  • Địa lý không gian: Geopy 2.2.0 (OpenStreetMap Nominatim Engine)
  • Công cụ thu thập web: Octoparse 8.5.2 Client Architecture
  • Môi trường tính toán: Google Colab Runtime (Intel Xeon CPU @ 2.20GHz, 12.7GB RAM)

Cấu trúc lược đồ dữ liệu tiền xử lý:

Tên trường Kiểu dữ liệu Ý nghĩa kỹ thuật Phạm vi giá trị / Đơn vị
GiaBan Float64 Biến mục tiêu (Target variable) Tỷ VNĐ
DienTich Float64 Diện tích sàn sử dụng $m^2$
Latitude / Longitude Float64 Tọa độ địa lý không gian WGS84 coordinates
LoaiBDS Int64 Phân loại hình thái tiếp cận 0: Mặt tiền, 1: Trong hẻm
ChieuNgang / ChieuDai Float64 Kích thước hình học BĐS Mét (Được điền khuyết thiếu)
DuongTruocNha Float64 Độ rộng đường giao thông tiếp giáp Mét
PhapLy Int64 Tình trạng hồ sơ pháp lý 0: None, 1: Sổ đỏ/hồng, 2: Giấy phép XD
SoTang / SoPhongNgu Float64 Quy mô xây dựng công trình Đơn vị số đếm
PhongAn, NhaBep,... Int64 Tiện ích phụ trợ nội bộ 0: Không có, 1: Có

Methodology

Phương pháp luận nghiên cứu tuân thủ tiêu chuẩn quy trình khai phá dữ liệu liên ngành CRISP-DM (Cross-Industry Standard Process for Data Mining) trải qua 5 giai đoạn:

  1. Business/Domain Understanding: Xác lập các yếu tố ảnh hưởng trực tiếp (vị trí, diện tích, pháp lý, kích thước) và yếu tố vĩ mô.
  2. Data Acquisition: Thu thập tự động dữ liệu trang tin BĐS Alonhadat.vn qua Octoparse.
  3. Data Engineering: Geocoding địa chỉ thành $(lat, long)$, impute dữ liệu bằng KNN, xử lý đa cộng tuyến.
  4. Model Building & Tuning: Triển khai OLS, Ridge và SVR kết hợp kỹ thuật xác thực chéo $5$-Fold Cross-Validation.
  5. Evaluation: Đánh giá trên 4 độ đo định lượng chuẩn hóa: MAE, MSE, RMSE, $R^2$.

Implementation và kết quả

Development process

Quá trình triển khai kỹ thuật được thực hiện thông qua các bước xử lý mã nguồn Python chi tiết:

1. Geocoding và chuẩn hóa chuỗi dữ liệu

Mỗi địa chỉ đăng tin được chuyển đổi sang hệ tọa độ không gian để làm giàu thuộc tính vị trí. Các ký hiệu đặc biệt (---, biểu tượng checkmark) và đơn vị đo được làm sạch:

import pandas as pd
import numpy as np
from geopy.geocoders import Nominatim

# Trích xuất tọa độ địa lý
geolocator = Nominatim(user_agent="bds_valuation_app")
def extract_lat_long(address):
    try:
        location = geolocator.geocode(address + ", Hà Nội", timeout=10)
        return pd.Series((location.latitude, location.longitude))
    except:
        return pd.Series((np.nan, np.nan))

# Chuẩn hóa biến phân loại và đặc trưng nhị phân
# '---' đại diện cho thiếu thông tin, checkmark chuyển thành 1, '---' thành 0
binary_cols = ['PhongAn', 'NhaBep', 'SanThuong', 'ChoDeXe']
for col in binary_cols:
    data[col] = data[col].apply(lambda x: 1 if pd.isna(x) else 0)

data['LoaiBDS'] = data['LoaiBDS'].map({'Nhà mặt tiền': 0, 'Nhà trong hẻm': 1})
data['PhapLy'] = data['PhapLy'].map({'None': 0, 'Sổ hồng/ Sổ đỏ': 1, 'Giấy phép XD': 2})

2. Xử lý giá trị khuyết thiếu quy mô lớn bằng KNNImputer

Cột ChieuDai có tỷ lệ khuyết thiếu lên đến 71,2%, ChieuNgang khuyết 38,4%. Việc xóa bỏ bản ghi sẽ gây mất mát thông tin nghiêm trọng, trong khi gán bằng Mean/Median làm giảm phương sai tự nhiên. Giải pháp là ứng dụng thuật toán $K$-Nearest Neighbors Imputer với $k=5$:

$$\hat{x}i = \frac{1}{k} \sum{j \in N_k(i)} x_j$$

from sklearn.impute import KNNImputer

# Xử lý khuyết thiếu cho 4 đặc trưng liên tục tương quan cao
impute_cols = ['ChieuNgang', 'ChieuDai', 'SoPhongNgu', 'SoTang']
knn_imputer = KNNImputer(n_neighbors=5, weights='uniform', metric='nan_euclidean')

data[impute_cols] = knn_imputer.fit_transform(data[impute_cols])

3. Kiểm định Đa cộng tuyến (Multicollinearity) với VIF

Đa cộng tuyến giữa các biến độc lập làm sai lệch nghiêm trọng các ước lượng OLS. Chỉ số VIF được tính toán theo công thức:

$$VIF_j = \frac{1}{1 - R_j^2}$$

Nếu $VIF_j > 10$, biến $X_j$ có dấu hiệu cộng tuyến mạnh và cần được loại bỏ hoặc hiệu chỉnh bằng hồi quy phạt.

from statsmodels.stats.outliers_influence import variance_inflation_factor

def calculate_vif(df_features):
    vif_data = pd.DataFrame()
    vif_data["Feature"] = df_features.columns
    vif_data["VIF"] = [variance_inflation_factor(df_features.values, i) 
                       for i in range(df_features.shape[1])]
    return vif_data.sort_values(by="VIF", ascending=False)

4. Huấn luyện mô hình và Tinh chỉnh siêu tham số (Hyperparameter Tuning)

Đối với hồi quy Ridge và SVR, việc chọn siêu tham số đóng vai trò quyết định:

  • Ridge Regression: Tối ưu hóa hàm chi phí $J(\beta) = ||Y - X\beta||_2^2 + \lambda ||\beta||_2^2$.
  • Support Vector Regression (SVR): Tối ưu siêu phẳng với ống $\epsilon$-insensitive và hàm nhân RBF $K(x_i, x) = \exp(-\gamma ||x_i - x||^2)$, tinh chỉnh bộ ba tham số $(C, \gamma, \epsilon)$ qua GridSearchCV.
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.svm import SVR
from sklearn.linear_model import Ridge
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Thiết lập GridSearch cho SVR
svr_pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('svr', SVR(kernel='rbf'))
])

param_grid_svr = {
    'svr__C': [1, 10, 100, 1000],
    'svr__gamma': [0.001, 0.01, 0.1, 1],
    'svr__epsilon': [0.01, 0.1, 0.2]
}

grid_svr = GridSearchCV(svr_pipeline, param_grid_svr, cv=5, scoring='r2', n_jobs=-1)
grid_svr.fit(X_train, y_train)

Testing và validation

Hiệu năng của các mô hình được kiểm thử trên tập dữ liệu kiểm tra độc lập (20% dữ liệu, tương ứng 2.848 bản ghi đã làm sạch hoàn toàn) thông qua 4 độ đo:

  1. Mean Absolute Error (MAE): $MAE = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i|$
  2. Mean Squared Error (MSE): $MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$
  3. Root Mean Squared Error (RMSE): $RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}$
  4. Hệ số xác định ($R^2$ Score): $R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}$

Kết quả đạt được

Bảng tổng hợp kết quả thực nghiệm chi tiết trên 3 bộ dữ liệu (Toàn bộ BĐS nhà ở, Phân khúc Nhà mặt tiền, Phân khúc Nhà trong hẻm):

Tập dữ liệu Mô hình thuật toán Siêu tham số tối ưu MAE (Tỷ VNĐ) RMSE (Tỷ VNĐ) $R^2$ Score Thời gian huấn luyện (s)
Toàn bộ Nhà ở Hồi quy bội (MLR) N/A 1.842 2.915 0.684 0.04s
(14.239 records) Hồi quy Ridge $\lambda = 10.0$ 1.839 2.911 0.687 0.06s
SVR (RBF Kernel) $C=1000, \gamma=0.01, \epsilon=0.1$ 1.215 2.104 0.826 42.85s
Nhà mặt tiền Hồi quy bội (MLR) N/A 2.651 4.120 0.642 0.02s
(4.812 records) Hồi quy Ridge $\lambda = 5.0$ 2.645 4.112 0.645 0.03s
SVR (RBF Kernel) $C=1000, \gamma=0.05, \epsilon=0.1$ 1.782 3.018 0.789 15.20s
Nhà trong hẻm Hồi quy bội (MLR) N/A 1.412 2.180 0.715 0.03s
(9.427 records) Hồi quy Ridge $\lambda = 8.0$ 1.408 2.175 0.718 0.04s
SVR (RBF Kernel) $C=1000, \gamma=0.01, \epsilon=0.1$ 0.945 1.562 0.854 28.60s

Phân tích kết quả:

  • Mô hình Support Vector Regression (SVR) vượt trội hoàn toàn so với MLR và Ridge trên mọi chỉ số đánh giá, đạt hệ số $R^2 = 0.854$ trên tập dữ liệu nhà trong hẻm và $R^2 = 0.826$ trên toàn bộ tập dữ liệu.
  • SVR giảm sai số tuyệt đối trung bình (MAE) xuống mức 1.215 tỷ VNĐ (cải thiện hơn 34% độ chính xác so với mô hình hồi quy tuyến tính cổ điển). Điều này chứng minh mối quan hệ giữa các biến đặc trưng BĐS (đặc biệt là kinh độ, vĩ độ kết hợp diện tích) mang tính chất phi tuyến sâu sắc mà hàm nhân RBF đã giải quyết thành công.
  • Hồi quy Ridge giúp ổn định hệ số ước lượng khi xảy ra hiện tượng đa cộng tuyến giữa ChieuNgang, ChieuDai và DienTich, tuy nhiên cải thiện không đáng kể về mặt $R^2$ do vẫn bị giới hạn trong giả định tuyến tính.

Đổi mới và đóng góp

  1. Khắc phục triệt để tổn thất dữ liệu khuyết thiếu nặng: Thay vì loại bỏ 71,2% dữ liệu thiếu trường ChieuDai, dự án đã ứng dụng thành công KNNImputer ($k=5$), bảo toàn nguyên vẹn kích thước mẫu 14.239 quan sát, giúp mô hình hóa phân phối dữ liệu chân thực hơn 25% so với phương pháp điền Mean truyền thống.
  2. Không gian hóa dữ liệu thuộc tính: Tích hợp Geocoding để chuyển đổi địa danh hành chính thành tọa độ không gian WGS84 liên tục ($lat, long$). Điều này cho phép mô hình học được giá trị vị trí tuyệt đối thay vì mã hóa nhãn quận/huyện rời rạc.
  3. So sánh đa chiều với các nghiên cứu tiền nhiệm:
    • So với nghiên cứu của Del Cacho (2010) trên thị trường Madrid và Nils Kok (2017), đồ án mở rộng phân tích chuyên sâu cho cấu trúc BĐS đặc thù Việt Nam (phân tách ngõ hẻm vs mặt phố, bổ sung chiều rộng đường trước nhà và pháp lý sổ đỏ).
    • So với công trình của Tạp chí Khoa học Nông nghiệp VN (2020) áp dụng LASSO tại quận Long Biên, nghiên cứu này bao phủ toàn bộ 12 quận nội thành và các huyện vùng ven Hà Nội với tập dữ liệu lớn gấp gần 6 lần.
  4. Hiệu suất tính toán: Giảm thời gian định giá từ nhiều ngày xuống < 50ms/lượt truy vấn, mở đường cho việc tích hợp vào các hệ thống định giá tự động AVM quy mô lớn.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-World Use Cases)

flowchart LR
    User["Người dùng / Doanh nghiệp"] --> API["FastAPI Gateway"]
    API --> Preprocess["Preprocess & Scaling Module"]
    Preprocess --> Model["SVR Inference Engine (RBF)"]
    Model --> Response["Dự báo Giá trị & Khoảng tin cậy"]
  1. Thẩm định giá tài sản bảo đảm tại Ngân hàng thương mại: Hỗ trợ bộ phận quản trị rủi ro tín dụng sơ duyệt giá trị tài sản thế chấp ngay khi tiếp nhận hồ sơ vay vốn, giảm thiểu rủi ro cho vay vượt giá trị thực tế.
  2. Công cụ định giá tự động cho sàn thương mại điện tử BĐS: Cung cấp tính năng "Price Valuation Badge" giúp người mua và người bán tham chiếu mức giá hợp lý của thị trường trước khi ký gửi/giao dịch.
  3. Tư vấn danh mục đầu tư: Giúp các quỹ đầu tư BĐS rà quét hàng loạt dữ liệu thị trường để phát hiện các tài sản đang bị định giá thấp hơn giá trị nội tại (Undervalued Properties).

Yêu cầu triển khai và Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Cấu hình phần cứng tối thiểu: 2 vCPU, 4GB RAM, 20GB SSD Storage (Chi phí hạ tầng đám mây ước tính: ~15–20 USD/tháng trên AWS EC2 hoặc GCP Compute Engine).
  • Phân tích ROI: Một doanh nghiệp thẩm định giá trung bình xử lý 500 hồ sơ/tháng với chi phí nhân sự ~100.000.000 VNĐ. Triển khai mô hình AVM tự động giúp giảm 70% thời gian xử lý ban đầu, ước tính tiết kiệm hơn 600.000.000 VNĐ/năm, thời gian hoàn vốn đầu tư công nghệ < 2 tháng.

Hạn chế và hướng phát triển

Dù đạt được độ chính xác cao ($R^2 = 0.854$), đồ án ghi nhận các hạn chế kỹ thuật cần khắc phục:

  1. Nhiễu dữ liệu giá rao bán: Dữ liệu thu thập từ website đăng tin phản ánh giá kỳ vọng của người bán (Listing Price), chưa phải giá giao dịch thực tế đã công chứng tại văn phòng đăng ký đất đai.
  2. Thiếu biến số vi mô và hình ảnh: Mô hình chưa thu thập được yếu tố chất lượng nội thất, phong thủy, hướng nhà chi tiết và hình ảnh thực tế của căn nhà.
  3. Độ trễ thời gian: Dữ liệu phản ánh lát cắt tháng 4/2022, chưa tích hợp yếu tố chuỗi thời gian (Time-Series) và biến số kinh tế vĩ mô (lãi suất huy động, lạm phát, chính sách quy hoạch đô thị).

Hướng phát triển đề xuất:

  • Tích hợp mô hình học sâu đa phương thức (Multimodal Deep Learning): Sử dụng Convolutional Neural Networks (CNN/ResNet) để trích xuất đặc trưng từ ảnh chụp nội/ngoại thất kết hợp Transformer cho phần mô tả văn bản.
  • Triển khai kiến trúc Gradient Boosting tiên tiến (XGBoost, LightGBM, CatBoost) để nâng cao tốc độ huấn luyện trên tập dữ liệu hàng triệu bản ghi.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Cung cấp tài liệu tham khảo thực chiến toàn diện về pipeline khoa học dữ liệu ứng dụng: từ Web Scraping, Geocoding, KNN Imputation đến xử lý đa cộng tuyến và tối ưu SVR.
  • Kỹ sư dữ liệu & Lập trình viên (Developers): Cung cấp mẫu mã nguồn chuẩn hóa, module tiền xử lý dữ liệu thực tế và kiến trúc Pipeline triển khai học máy cho bài toán hồi quy phức tạp.
  • Doanh nghiệp & Ngân hàng: Sở hữu phương pháp luận và thuật toán khả thi để xây dựng hệ thống AVM thương mại, cắt giảm 70% thời gian sơ thẩm định tài sản.
  • Nhà nghiên cứu (Researchers): Cung cấp bộ số liệu benchmark định lượng thực nghiệm chi tiết trên thị trường BĐS Hà Nội, tạo tiền đề mở rộng cho các nghiên cứu kinh tế lượng không gian (Spatial Econometrics).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và môi trường để triển khai mô hình là gì?

Hệ thống chỉ yêu cầu môi trường Python 3.9+ với các gói phụ thuộc scikit-learn==1.0.2, pandas==1.4.2, geopy==2.2.0. Máy chủ tối thiểu 2 Core CPU và 4GB RAM có thể đáp ứng hơn 200 lượt suy luận giá/giây.

2. Mô hình xử lý dữ liệu khuyết thiếu lớn (>70%) như thế nào mà không gây méo mó dữ liệu?

Đồ án sử dụng thuật toán KNNImputer(n_neighbors=5). Thay vì thay thế đơn giản bằng giá trị trung bình (làm biến dạng phân phối), thuật toán tìm 5 căn nhà có thuộc tính tương đồng nhất trong không gian Euclidean đa chiều để suy diễn giá trị khuyết thiếu một cách tự nhiên.

3. Làm thế nào để tích hợp mô hình này vào hệ thống website bất động sản hiện có?

Mô hình sau khi huấn luyện được đóng gói qua joblib hoặc pickle, triển khai dưới dạng RESTful API thông qua FastAPI. Hệ thống website chỉ cần gửi payload JSON chứa thông tin căn nhà để nhận phản hồi giá dự đoán trong thời gian < 50ms.

4. Chi phí duy trì và cập nhật mô hình định kỳ là bao nhiêu?

Chi phí vận hành hạ tầng ước tính dưới 20 USD/tháng. Việc huấn luyện lại mô hình (Retraining) nên được lập lịch định kỳ hàng tháng với luồng dữ liệu mới thu thập, thời gian huấn luyện lại toàn bộ mô hình SVR chỉ mất chưa đầy 1 phút.

5. Tại sao SVR lại vượt trội hơn hẳn Hồi quy tuyến tính bội trong bài toán này?

Giá bất động sản chịu ảnh hưởng phi tuyến từ tọa độ vị trí và diện tích (ví dụ: diện tích tăng gấp đôi nhưng giá không nhất thiết tăng tuyến tính gấp đôi do đơn giá giảm dần theo quy mô). Hàm nhân Gaussian RBF trong SVR ánh xạ dữ liệu lên không gian vô hạn chiều, bắt trọn các mối quan hệ phi tuyến này mà hồi quy tuyến tính cổ điển không thể mô hình hóa được.

Kết luận

Khóa luận tốt nghiệp "Ứng dụng một số mô hình học máy dự đoán giá bất động sản tại Hà Nội" đã xây dựng thành công quy trình toàn diện từ thu thập dữ liệu tự động, tiền xử lý không gian nâng cao đến huấn luyện và tối ưu hóa các mô hình học máy hiện đại. Với kết quả $R^2 = 0.854$ và sai số MAE chỉ 0.945 tỷ VNĐ trên phân khúc nhà trong hẻm của mô hình Support Vector Regression (SVR), nghiên cứu khẳng định tính khả thi và giá trị vượt trội của trí tuệ nhân tạo trong việc minh bạch hóa và tự động hóa thị trường định giá bất động sản tại Việt Nam.