📱 Dự đoán giá điện thoại

⚒ Các thư viện cần cài đặt

Thư viện	Lệnh cài đặt	Mô tả
bs4	pip install bs4	Beautiful Soup
sklearn	pip install -U scikit-learn	scikit-learn
xgboost	pip install xgboost	XGBoost

🚀 Trình tự chạy chương trình

Crawl dữ liệu từ 4 trang web

  crawl.ipynb

Folder lưu trữ các file dữ liệu thô

  raw_data/

Làm sạch đúng kiểu dữ liệu và xử lý dữ liệu trống

  clean.ipynb

Folder lưu trữ dữ liệu được làm sạch

  clean_data/

Chia bộ dữ liệu thành tập train và test, xử lý ngoại lệ, chuẩn hóa dữ liệu, lựa chọn đặc trưng

  feature_engineering.ipynb

Folder lưu trữ các file dữ liệu huấn luyện và kiểm thử

  train_test_data/

Xây dựng mô hình dự đoán giá điện thoại

  modeling.ipynb

👨🏽‍💻 Thành viên

• Ngô Văn Đông
• Huỳnh Thị Khánh Linh
• Nguyễn Minh Dũng

✍🏽 Dữ liệu

Bộ dữ liệu bao gồm các thông số kỹ thuật, giá bán của điện thoại di động, được thu thập từ:

• Thế Giới Di Động
• CellphoneS
• Hoàng Hà Mobile
• Nguyễn Kim

🔨 Feature engineering

• Thay thế dữ liệu trống bằng giá trị mean cho dữ liệu dạng số
• Thay thế dữ liệu trống bằng giá trị random cho dữ liệu phân loại
• Chuyển dữ liệu phân loại thành dữ liệu dạng số sử dụng LabelEncoder của sklearn
• Xử lý ngoại lệ sử dụng IQR để tìm biên trên và biên dưới của dữ liệu
• Chuẩn hóa dữ liệu sử dụng StandardScaler của sklearn

💡 Mô hình dự đoán

• Sử dụng LinearRegression của sklearn
• Cải tiến dùng XGBRegressor của xgboost

🧠 Các metrics đánh giá

• R2
• RMSE
• MAE

☃️ Kết quả dự đoán

Mô hình	R2	RMSE	MAE
LinearRegression	73.17%	5241.0791	3947.1287
XGBRegressor	94.45%	2383.5217	1057.4660