Bỏ qua đến nội dung chính
Mục lục

Dataset machine learning: 7 bộ dữ liệu web của tutorial

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 6/6 · Chương 1

Bắt đầu với Machine Learning

  • 5 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Tutorial học máy dùng bảy file dataset machine learning tiếng Việt: thành viên gói Sóc Vàng, hồ sơ vay tiêu dùng, giá nhà, thời gian giao hàng và chi tiêu khách hàng. Mở trang khi một bài nhắc tới một file mà bạn muốn biết cột label là cột nào, hay khi muốn chọn một bộ dữ liệu machine learning để tự luyện.

Số giả lập, giấy phép CC0

Mọi tên, số và mã trong bảy file do AIDev sinh bằng một script có hạt giống cố định, nên sinh lại cho ra đúng từng byte. Không dòng nào lấy từ khách hàng, cửa hàng hay bộ dữ liệu công khai của bên khác: chuỗi cửa hàng Sóc Nhanh, công ty tài chính và ứng dụng giao hàng trong các file đều là hư cấu. Các bài vì thế không rút kết luận về thị trường thật từ những con số này.

Trên trang tutorial, bài dùng file nào thì file đó đã nằm sẵn cạnh khối code, và bạn đọc bằng tên trần như pd.read_csv("gia_nha.csv"); bài read_csv() có các tham số. Mỗi bài liệt kê các file nó dùng ở mục "Dữ liệu của bài" để bạn tải về; bấm tên một file trên trang này để tới bài đầu tiên dùng nó. Dữ liệu và script phát hành theo giấy phép CC0 1.0: bạn dùng lại tự do, kể cả trong bài giảng của mình.

Các file này được sinh riêng cho trang web. Sách Machine Learning thực chiến của AIDev dùng bộ dữ liệu khác, nên số in trong sách không khớp với số trên trang, dù cùng loại bài toán.

Phân loại: Sóc Vàng và hồ sơ vay

File

Dòng

Cột

Label

Dùng ở

hoi_vien.csv

3.000

17

roi_bo, 1 khi thành viên hủy gói trong 60 ngày (19,8 %)

train_test_split, logistic, cây, boosting

hoi_vien_ky_sau.csv

800

17

roi_bo

bảng "quý sau" để chấm model đã fit trên file trên

hoi_vien_tho.csv

500

17

roi_bo (3 ô trống ở nhãn, 72 ô trống cả bảng)

các bài pipeline và dọn dữ liệu

don_vay_tieu_dung.csv

3.000

14

vo_no, 1 khi quá hạn trên 90 ngày (5 %)

dữ liệu mất cân bằng, ngưỡng quyết định

Bảng Sóc Vàng là ảnh chụp các thành viên của gói giao hàng trả phí mà chuỗi Sóc Nhanh bán, tại mốc 15/06/2026. Mọi cột ghi nhận trước mốc, trừ hai cột: label roi_bo, và hoi_cach_huy_sau_moc, số lần khách hỏi cách hủy gói sau mốc. Cột thứ hai được cài vào để bài rò rỉ dữ liệu chỉ ra: đưa nó vào model thì điểm tăng vọt nhưng không dùng được khi dự đoán thật. Cột ma_kh chỉ là mã, không dùng làm feature. Cột diem_danh_gia_tb trống ở khoảng một phần ba số dòng, khi khách không có đơn nào gần đây.

Bản _tho là 488 dòng đầu của file sạch bị làm hỏng có chủ ý, cộng 12 dòng trùng: số tiền ghi dạng 1.315k, gói ghi tháng, Thang, QUÝ, tỉnh ghi HCM, ha noi, và một kênh đăng ký Shopee không có trong file sạch.

Bảng hồ sơ vay tính tiền bằng triệu đồng. Chỉ 149 trên 3.000 hồ sơ vỡ nợ, nên model chỉ biết đoán "không vỡ nợ" cho mọi hồ sơ vẫn đúng 95 %: lý do bài baseline quan trọng với file này. Cột vung không mang tín hiệu nào, một feature nhiễu có chủ đích.

Hồi quy: giá nhà và giao hàng

File

Dòng

Cột

Label

Dùng ở

gia_nha.csv

2.500

10

gia_ty, giá bán, tỷ đồng

model đầu tiên, MAE, RMSE, R², dự án giá nhà

thoi_gian_giao_hang.csv

3.000

11

thoi_gian_giao_phut, phút

cây hồi quy, rừng, boosting

Bảng giá nhà ghi căn hộ, nhà phố, nhà hẻm ở 15 quận, huyện của TP. Hồ Chí Minh, không ô trống. Ba cột chữ là quan, loai_nha và phap_ly, cần mã hóa trước khi fit. Giá lệch phải, từ dưới 1 tỷ tới gần 50 tỷ, và các yếu tố nhân với nhau, nên đổi giá sang log giúp model tuyến tính nhiều. Cột khoang_cach_trung_tam_km đi gần như song song với quan.

Bảng giao hàng ghi đơn của một ứng dụng giao hàng ở ba thành phố. Giờ cao điểm trưa và chiều ngày thường làm xe đi chậm hẳn, nhân thêm với trời mưa. Cột gio_dat để dạng số từ 7 tới 22, nên model đường thẳng không bắt được hai đỉnh cao điểm, còn cây thì bắt được.

Phân cụm: chi tiêu khách hàng

File

Dòng

Cột

Label

Dùng ở

chi_tieu_khach_hang.csv

1.500

7

không có

k-means, chọn số cụm, DBSCAN, PCA

Mỗi dòng là một khách, với số ngày từ lần mua cuối, số đơn và tổng chi 12 tháng, giá trị đơn trung bình, tỉ lệ đơn có giảm giá và số danh mục đã mua. Tiền tính bằng nghìn đồng và lệch phải rất mạnh. File không có cột label: đây là dữ liệu cho học không giám sát, và việc đặt tên cho từng nhóm khách là của người phân tích. Khoảng 1,5 % khách mua sỉ, chi gấp nhiều lần phần còn lại; họ là các điểm ngoại lai mà bài DBSCAN tìm ra. Cột ma_kh bỏ đi trước khi phân cụm.

Ngoài bảy file này, vài bài dùng dữ liệu đi kèm scikit-learn như bộ hoa iris; trang bộ dữ liệu có sẵn trong sklearn liệt kê chúng.

Câu hỏi thường gặp

Chạy các file này trên máy của mình thế nào?

Mỗi file là một CSV nhỏ, dưới 250 KB. Đặt file cùng thư mục với script của bạn rồi đọc bằng đúng tên trần như trên trang; pandas và scikit-learn cài như bài cài scikit-learn.

Bộ dữ liệu machine learning nào hợp để luyện bài đầu tiên?

gia_nha.csv: sạch, không ô trống, label là một con số dễ hình dung. Sau đó chuyển sang hoi_vien.csv cho phân loại, rồi bản _tho khi đã học pipeline.

Có dùng được các file này cho dự án ngoài tutorial không?

Được, theo giấy phép CC0 1.0, không cần ghi nguồn. Nhớ rằng số là giả lập: model học trên chúng không đoán được giá nhà hay khách hàng thật.

Chủ đề

dataset machine learning

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập