🚀 Project Name

Real Estate Price Prediction / Dự đoán giá bất động sản

---

📷 Demo

• Notebook: Source_2200009905_VoTrungNhan.ipynb
• Dữ liệu mẫu: real_estate_listings.csv
• Demo chính: huấn luyện mô hình Random Forest và XGBoost để dự đoán giá nhà, trực quan hóa phân phối dữ liệu và tầm quan trọng của đặc trưng.

---

✨ Features

• Xử lý dữ liệu giá bất động sản từ file CSV.
• Chuẩn hóa giá (tỷ/triệu) về đơn vị VNĐ bằng hàm convert_price_v2.
• Trích xuất diện tích đất từ chuỗi mô tả bằng extract_land_area.
• Tiền xử lý tự động: xử lý missing values, chuẩn hóa đặc trưng số, one-hot encoding cho biến phân loại.
• Huấn luyện và so sánh 2 mô hình hồi quy: Random Forest và XGBoost.
• Đánh giá mô hình bằng MAE, RMSE, R².
• Trực quan hóa dữ liệu và kết quả mô hình (histogram, boxplot, heatmap, scatter thực tế vs dự đoán, feature importance).

---

🛠 Tech Stack

• Ngôn ngữ: Python
• Thư viện phân tích dữ liệu: pandas, numpy
• Học máy: scikit-learn, xgboost
• Trực quan hóa: matplotlib, seaborn
• Môi trường chạy: Jupyter Notebook / VS Code Jupyter

---

🏗 System Architecture

Kiến trúc đơn giản, chạy hoàn toàn trong Notebook:

1. Data Source: File CSV real_estate_listings.csv chứa thông tin bất động sản.
2. Data Processing Layer:
   • Hàm xử lý giá và diện tích (convert_price_v2, extract_land_area).
   • Pipeline tiền xử lý với ColumnTransformer (numeric + categorical pipeline).
3. Model Layer:
   • RandomForestRegressor (scikit-learn).
   • XGBRegressor (xgboost).
4. Evaluation & Visualization:
   • Tính toán MAE, RMSE, R².
   • Vẽ các biểu đồ phân phối và feature importance.

Hiện tại project chỉ là mô hình phân tích ngoại tuyến (offline), chưa có backend/API hay frontend riêng.

---

📂 Project Structure

TieuLuan_2200009905_VoTrungNhan/
├── Source_2200009905_VoTrungNhan.ipynb   # Notebook chính: xử lý dữ liệu, huấn luyện & đánh giá mô hình
├── real_estate_listings.csv              # Dữ liệu bất động sản dạng bảng
└── README.md                             # Tài liệu mô tả dự án

---

⚙️ Installation & Setup

1. Yêu cầu môi trường

• Python 3.8+
• Jupyter Notebook hoặc VS Code với Jupyter Extension

2. Cài đặt thư viện

Tạo môi trường ảo (khuyến khích) và cài đặt các thư viện cần thiết:

python -m venv .venv
.venv\Scripts\activate
pip install pandas numpy scikit-learn matplotlib seaborn xgboost

3. Chạy Notebook

1. Mở file Source_2200009905_VoTrungNhan.ipynb bằng Jupyter hoặc VS Code.
2. Đảm bảo file dữ liệu real_estate_listings.csv nằm cùng thư mục với notebook.
3. Chạy lần lượt các cell từ trên xuống dưới.

---

🗄 Database Schema

Project sử dụng file CSV thay cho cơ sở dữ liệu truyền thống. Cấu trúc chính của real_estate_listings.csv (theo kỳ vọng trong notebook):

• Location: Vị trí, khu vực của bất động sản.
• Price: Giá bất động sản (dạng chuỗi, ví dụ: 5 tỷ 500 triệu, 2.3 tỷ, 900 triệu) – được chuyển về VNĐ.
• Type of House: Loại hình nhà (nhà phố, căn hộ, biệt thự, ...).
• Land Area: Diện tích đất (chuỗi có thể kèm đơn vị, ví dụ 50 m², Ngang 4m x Dài 10m).
• Bedrooms: Số phòng ngủ.
• Toilets: Số phòng vệ sinh.
• Total Floors: Tổng số tầng.
• Main Door Direction: Hướng cửa chính.
• Balcony Direction: Hướng ban công.
• Legal Documents: Tình trạng pháp lý (sổ hồng, sổ đỏ, giấy tay, ...).

Nếu cần đưa vào CSDL (MySQL/PostgreSQL, …), có thể tạo bảng real_estate_listings với các cột tương ứng, trong đó Price và Land Area nên lưu ở kiểu số (BIGINT/FLOAT).

---

🔌 API Endpoints

Hiện tại project chưa triển khai API. Mô hình được sử dụng trực tiếp trong Notebook.

Gợi ý nếu mở rộng thành dịch vụ web:

• POST /api/predict – Nhận thông tin bất động sản (JSON) và trả về giá dự đoán.
• GET /api/health – Kiểm tra trạng thái dịch vụ.

---

👨‍💻 Author

Võ Trung Nhân

• 📧 Email: nhantrung297@gmail.com
• 💼 LinkedIn: https://www.linkedin.com/in/vtn2907/
• 🐙 GitHub: @VTNMT2930
• 🌐 Portfolio: https://nhanit.io.vn/

---

Made with ❤️ by Nhân IT

⭐ Star this repo if you find it helpful!