Bài 44: Thiết kế phần mềm tương tác giao diện sử dụng mô hình máy học để dự báo giá nhà

Trong bài 43, Chúng ta đã build ứng dụng máy học dự báo giá nhà chạy trên môi trường console, nó khó cho người sử dụng.

Bài này tui sẽ trình bày minh họa phần mềm mẫu sử dụng mô hình máy học để dự báo giá nhà bằng các tương tác trên giao diện Tkinter và vẫn sử dụng local dataset CSV ở bài học 43. Bài học sau Tui sẽ trình bày phần mềm tương tác giao diện bằng Web Python Flask Microservice để dự báo giá nhà.

Chúng ta xem kết quả phần mềm có giao diện tương tác như dưới đây sau khi thực hiện bài học này nhé:

Phần mềm gồm có các chức năng sau:

Chọn và tải Dataset để sử dụng
Hiển thị xem Dataset chi tiết
Lựa chọn tỉ lệ train và train mô hình máy học
Đánh giá chất lượng mô hình máy học để quyết định có chọn mô hình này hay không
Lưu mô hình máy học để tái sử dụng
Chọn và nạp mô hình máy học đã train để sử dụng
Sử dụng mô hình máy học đã train để dự báo giá trị căn nhà

Bây giờ ta đi vào chi tiết từng bước lập trình:

Bước 1: Tạo cấu trúc dự án “HousePricePrediction” trong Pycharm như hình dưới đây:

Mô tả sơ lược trước ý nghĩa của từng tập tin, thư mục để các bạn nắm tổng quan:

Thư mục “dataset” là thư mục chứa các dataset cùng cấu trúc để sử dụng trong dự án, trường hợp này Tui để sẵn dataset “USA_Housing.csv”, bạn có thể tải nó ở đây https://tranduythanh.com/datasets/USA_Housing.csv
Thư mục “model” dùng để lưu các mô hình máy học đã được train, và nó được tái sử dụng để prediction giá nhà trên phần mềm tùy vào lựa chọn của khách hàng
File “FileUtil.py” là file mã lệnh để lưu mô hình máy học dạng pickle
File “DataSetViewer.py” là file mã lệnh để hiển thị chi tiết dataset lên giao diện
File “HousePricePrediction.py” là là file mã lệnh chính để thiết kế giao diện và các tác vụ liên quan tới phần mềm
File “App.py” là file kích hoạt để chạy phần mềm

Ta bắt đầu coding chi tiết:

File mã lệnh “FileUtil.py“:

import pickle
class FileUtil:
    @staticmethod
    def savemodel(model,filename):
        try:
            pickle.dump(model, open(filename, 'wb'))
            return True
        except:
            print("An exception occurred")
            return False
    @staticmethod
    def loadmodel(filename):
        try:
            model=pickle.load(open(filename, 'rb'))
            return model
        except:
            print("An exception occurred")
            return None

Lớp FileUtil có 2 static method:

savemode(model, filename) : hàm này để lưu mô hình máy học được trained dạng pickle, thường có đuôi là .zip. Và ta mặc định sẽ lập trình để nó lưu vào thư mục model mà ta đã tạo trong dự án:

loadmodel(filename) hàm này tải lại mô hình máy học được lưu, filename là đường dẫn của mô hình máy học.

Tiếp theo là tới file mã lệnh “DataSetViewer.py“, file mã lệnh này để hiển thị chi tiết dữ liệu dạng lưới có dòng cột để quan sát

from tkinter import *
from tkinter import ttk
import pandas as pd
class DataSetViewer:
    def __int__(self):
        pass
    def create_ui(self):
        self.root = Tk()
        self.root.title("Dataset viewer - House Pricing Prediction")
        self.root.geometry("800x600")
        main_panel = PanedWindow(self.root)
        main_panel["bg"] = "yellow"
        main_panel.pack(fill=BOTH, expand=True)

        # define columns
        columns = ('Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms',
               'Avg. Area Number of Bedrooms', 'Area Population','Price')

        self.tree = ttk.Treeview(main_panel, columns=columns, show="headings")

        # define headings
        self.tree.heading("Avg. Area Income", text="Avg. Area Income")
        self.tree.heading("Avg. Area House Age", text="Avg. Area House Age")
        self.tree.heading("Avg. Area Number of Rooms", text="Avg. Area Number of Rooms")
        self.tree.heading("Avg. Area Number of Bedrooms", text="Avg. Area Number of Bedrooms")
        self.tree.heading("Area Population", text="Area Population")
        self.tree.heading("Price", text="Price")
        #self.tree.grid(row=0, column=0, sticky="nsew")
        self.tree.pack(side=LEFT,fill=BOTH, expand=True)
        scrollbar = ttk.Scrollbar(main_panel, orient=VERTICAL, command=self.tree.yview)
        self.tree.configure(yscroll=scrollbar.set)
        #scrollbar.grid(row=0, column=1, sticky="ns")
        scrollbar.pack(side=RIGHT,fill=BOTH,expand=True)
    def show_ui(self):
        self.root.mainloop()
    def show_data_listview(self,fileName):
        df = pd.read_csv(fileName)
        for i in range(0,len(df)):
            values = [df.iloc[i][0], df.iloc[i][1], df.iloc[i][2], df.iloc[i][3], df.iloc[i][4], df.iloc[i][5]]
            print(values)
            self.tree.insert('', END, values=values)

Giao diện của DatasetViewer khi thực hiện nó sẽ như dưới đây:

Tiếp theo mã lệnh “HousePricePrediction.py” ta thực hiện như sau (khá phức tạp) và Tui đang để các lệnh xử lý máy học trong giao diện luôn chứ không tách riêng từng lớp hướng đối tượng, ta xem giao diện dưới đây mà ta cần phải làm:

Như vậy để có giao diện tương tác như trên thì chúng ta phải làm các công việc sau:

Bước 1: Thiết kế giao diện người dùng
Bước 2: Chức năng “1.PickDataset” để chọn dataset từ máy tính
Bước 3: Chức năng “2.View Dataset” để hiển thị chi tiết Dataset lên giao diện mà ta đã chọn
Bước 4: Chức năng train model “3.Train Model”
Bước 5: Chức năng đánh giá chất lượng mô hình “4.Evaluate Model”
Bước 6: Chức năng lưu mô hình máy học “5. Save Model”
Bước 7: Chức năng tải các mô hình máy học đã lưu vào optionmenu xổ xuống như hình
Bước 8: Chức năng nạp mô hình máy học lên bộ nhớ để sử dụng khi khách hàng chọn mô hình máy học được train trong option menu
Bước 9: Chức năng dự báo giá nhà “7. Prediction House Pricing”

Bây giờ ta đi vào từng bước:

Bước 1: Thiết kế giao diện người dùng

Ta tạo class HousePricePredictionUI và viết mã lệnh cho hàm create_ui() như dưới đây:

import os
from datetime import datetime
from tkinter import *
from tkinter import messagebox, ttk
from tkinter.font import Font
from tkinter import filedialog as fd

from DataSetViewer import DataSetViewer
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn import metrics
from sklearn.linear_model import LinearRegression
from FileUtil import FileUtil

class HousePricePredictionUI:
    fileName:""
    def __init__(self):

        pass
    def create_ui(self):
        self.root=Tk()
        self.root.title("Trần Duy Thanh - House Pricing Prediction tool")
        self.root.geometry("1200x750")
        main_panel=PanedWindow(self.root)
        main_panel["bg"]="yellow"
        main_panel.pack(fill=BOTH,expand=True)

        top_panel = PanedWindow(main_panel, height=80)
        top_panel["bg"] = "blue"
        main_panel.add(top_panel)
        top_panel.pack(fill=X, side=TOP, expand=False)

        font=Font(family="tahoma",size=18)
        title_label=Label(top_panel,text='House Pricing Prediction',font=font)
        title_label["bg"]="yellow"
        top_panel.add(title_label)

        center_panel=PanedWindow(main_panel)
        main_panel.add(center_panel)
        center_panel["bg"]="pink"
        center_panel.pack(fill=BOTH,expand=True)

        choose_dataset_panel=PanedWindow(center_panel,height=30)
        center_panel.add(choose_dataset_panel)
        choose_dataset_panel["bg"]="orange"
        choose_dataset_panel.pack(fill=X)

        dataset_label=Label(choose_dataset_panel,text="Select Dataset:")
        self.selectedFileName = StringVar()
        self.selectedFileName.set("dataset/USA_Housing.csv")
        self.choose_dateset_entry=Entry(choose_dataset_panel,
                                        textvariable=self.selectedFileName)

        self.choose_dataset_button = Button(choose_dataset_panel,
                                            text="1.Pick Dataset",
                                            width=10,
                                            command=self.do_pick_data)
        self.view_dataset_button = Button(choose_dataset_panel,
                                          text="2.View Dataset",
                                          width=20,
                                          command=self.do_view_dataset)
        choose_dataset_panel.add(dataset_label)
        choose_dataset_panel.add(self.choose_dateset_entry)
        choose_dataset_panel.add(self.choose_dataset_button)
        choose_dataset_panel.add(self.view_dataset_button)
        self.view_dataset_button.pack(side=RIGHT, expand=False)
        self.choose_dataset_button.pack(side=RIGHT, expand=False)

        #Training Rate
        training_rate_panel = PanedWindow(center_panel, height=30)
        center_panel.add(training_rate_panel)
        training_rate_panel.pack(fill=X)
        training_rate_label = Label(training_rate_panel, text="Training Rate:")
        self.training_rate = IntVar()
        self.training_rate.set(80)
        self.training_rate_entry = Entry(training_rate_panel,
                                         textvariable=self.training_rate,width=20)
        training_rate_panel.add(training_rate_label)
        training_rate_panel.add(self.training_rate_entry)
        percent_label=Label(text="%",width=20,anchor="w", justify=LEFT)
        percent_label.pack(side=RIGHT,expand=False,fill=X)
        training_rate_panel.add(percent_label)
        self.train_model_button=Button(training_rate_panel,
                                       text="3.Train Model",
                                       width=20,
                                       command=self.do_train)
        training_rate_panel.add( self.train_model_button)
        self.evaluate_model_button = Button(training_rate_panel,
                                            text="4.Evaluate Model",
                                            width=20,
                                            command=self.do_evaluation)
        training_rate_panel.add(self.evaluate_model_button)
        self.status=StringVar()
        self.train_model_result_label = Label(training_rate_panel,
                                              text=self.status.get(),
                                              textvariable=self.status)
        training_rate_panel.add(self.train_model_result_label)

        evaluate_panel=PanedWindow(center_panel,height=400)
        evaluate_panel["bg"]="cyan"
        center_panel.add(evaluate_panel)
        evaluate_panel.pack(fill=X)

        table_evaluate_panel=PanedWindow(evaluate_panel,height=400)
        evaluate_panel.add(table_evaluate_panel)

        # define columns
        columns = ('Avg. Area Income', 'Avg. Area House Age',
                   'Avg. Area Number of Rooms','Avg. Area Number of Bedrooms',
                   'Area Population', 'Original Price', 'Prediction Price')

        self.tree = ttk.Treeview(table_evaluate_panel,
                                 columns=columns, show="headings")

        self.tree.column("# 1", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 2", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 3", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 4", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 5", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 6", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 7", anchor=CENTER, stretch=NO, width=100)

        # define headings
        self.tree.heading("Avg. Area Income", text="Avg. Income")
        self.tree.heading("Avg. Area House Age", text="Avg. House Age")
        self.tree.heading("Avg. Area Number of Rooms", text="Avg. Area Room")
        self.tree.heading("Avg. Area Number of Bedrooms", text="Avg. Area Bedroom")
        self.tree.heading("Area Population", text="Area Population")
        self.tree.heading("Original Price", text="Original Price")
        self.tree.heading("Prediction Price", text="Prediction Price")
        # self.tree.grid(row=0, column=0, sticky="nsew")
        self.tree.pack(side=LEFT, fill=BOTH, expand=True)
        scrollbar = ttk.Scrollbar(table_evaluate_panel,
                                  orient=VERTICAL, command=self.tree.yview)
        self.tree.configure(yscroll=scrollbar.set)
        # scrollbar.grid(row=0, column=1, sticky="ns")
        scrollbar.pack(side=RIGHT, fill=BOTH, expand=True)

        coefficient_panel=PanedWindow(evaluate_panel)
        coefficient_panel["bg"]="pink"
        coefficient_panel.pack(side=RIGHT,fill=X,expand=False)
        evaluate_panel.add(coefficient_panel)

        coefficient_detail_label=Label(coefficient_panel,text="Coefficient:")
        coefficient_panel.add(coefficient_detail_label)
        coefficient_detail_label.pack(side=TOP,fill=X,expand=False)
        coefficient_detail_panel=PanedWindow(coefficient_panel)
        coefficient_panel.add(coefficient_detail_panel)
        coefficient_detail_panel.pack(side=TOP,expand=False,fill=X)

        self.coefficient_detail_text = (
            Text(coefficient_detail_panel, height=12,width=50))
        scroll = Scrollbar(coefficient_detail_panel)
        self.coefficient_detail_text.configure(yscrollcommand=scroll.set)
        self.coefficient_detail_text.pack(side=LEFT,expand=False,fill=X)

        scroll.config(command=self.coefficient_detail_text.yview)
        scroll.pack(side=RIGHT, fill=Y,expand=True)

        metric_panel=PanedWindow(coefficient_panel,height=30)
        coefficient_panel.add(metric_panel)
        metric_panel.pack(side=TOP,fill=BOTH,expand=True)

        self.mae_value=DoubleVar()
        mae_label=Label(metric_panel,text="Mean Absolute Error(MAE):")
        mae_label.grid(row=0,column=0)
        mae_entry = Entry(metric_panel, text="",
                          width=20,textvariable=self.mae_value)
        mae_entry.grid(row=0, column=1)

        self.mse_value = DoubleVar()
        mse_label = Label(metric_panel, text="Mean Square Error(MSE):")
        mse_label.grid(row=1, column=0)
        mse_entry = Entry(metric_panel, text="", width=20,textvariable=self.mse_value)
        mse_entry.grid(row=1, column=1)

        self.rmse_value = DoubleVar()
        rmse_label = Label(metric_panel, text="Root Mean Square Error(RMSE):")
        rmse_label.grid(row=2, column=0)
        rmse_entry = Entry(metric_panel, text="",
                           width=20,textvariable=self.rmse_value)
        rmse_entry.grid(row=2, column=1)

        savemodel_button = Button(metric_panel,
                                  text="5. Save Model",
                                  width=20,
                                  command=self.do_save_model)
        savemodel_button.grid(row=3, column=1)

        loadmodel_panel=PanedWindow(center_panel,height=20)
        loadmodel_panel["bg"]="yellow"
        loadmodel_panel.pack(fill=BOTH,side=TOP)
        model_files = self.load_model_files()
        print(model_files)

        self.selected_model = StringVar(self.root)
        self.selected_model.set(model_files[0])

        self.model_menu = OptionMenu(loadmodel_panel,
                                     self.selected_model,
                                     *model_files)
        self.model_menu.grid(row=0, column=0)

        loadmodel_button = Button(loadmodel_panel,
                                  text="6. Load Model",
                                  command=self.do_load_model)
        
        loadmodel_button.grid(row=0, column=1)

        input_prediction_panel = PanedWindow(center_panel)
        input_prediction_panel.pack(fill=BOTH, side=TOP,expand=True)

        area_income_label = Label(input_prediction_panel,
                                  text="Avg. Area Income:")
        area_income_label.grid(row=0, column=0)
        self.area_income_value=DoubleVar()
        area_income_entry = Entry(input_prediction_panel,
                                  text="",
                                  width=40,
                                  textvariable=self.area_income_value)
        area_income_entry.grid(row=0, column=1)

        area_house_age_label = Label(input_prediction_panel,
                                     text="Avg. Area House Age:")
        area_house_age_label.grid(row=1, column=0)
        self.area_house_age_value = DoubleVar()
        area_house_age_entry = Entry(input_prediction_panel,
                                     text="",
                                     width=40,
                                     textvariable=self.area_house_age_value)
        area_house_age_entry.grid(row=1, column=1)

        area_number_of_rooms_label = Label(input_prediction_panel,
                                           text="Avg. Area Number of Rooms:")
        area_number_of_rooms_label.grid(row=2, column=0)
        self.area_number_of_rooms_value=DoubleVar()
        area_number_of_rooms_entry = Entry(input_prediction_panel,
                                           text="", width=40,
                                           textvariable=self.area_number_of_rooms_value)
        area_number_of_rooms_entry.grid(row=2, column=1)

        area_number_of_bedrooms_label = Label(input_prediction_panel,
                                              text="Avg. Area Number of Bedrooms:")
        area_number_of_bedrooms_label.grid(row=3, column=0)
        self.area_number_of_bedrooms_value=DoubleVar()
        area_number_of_bedrooms_entry = Entry(input_prediction_panel,
                                              text="", width=40,
                                              textvariable=self.area_number_of_bedrooms_value)
        area_number_of_bedrooms_entry.grid(row=3, column=1)

        area_population_label = Label(input_prediction_panel, text="Area Population:")
        area_population_label.grid(row=4, column=0)
        self.area_population_value = DoubleVar()
        area_population_entry = Entry(input_prediction_panel,
                                      text="", width=40,
                                      textvariable=self.area_population_value)
        area_population_entry.grid(row=4, column=1)

        prediction_button=Button(input_prediction_panel,
                                 text="7. Prediction House Pricing",
                                 command=self.do_prediction)
        prediction_button.grid(row=5, column=1)

        prediction_price_label = Label(input_prediction_panel,
                                       text="Prediction Price:")
        prediction_price_label.grid(row=6, column=0)
        self.prediction_price_value=DoubleVar()
        prediction_price_entry = Entry(input_prediction_panel,
                                       text="", width=40,
                                       textvariable=self.prediction_price_value)
        prediction_price_entry.grid(row=6, column=1)

        designedby_panel = PanedWindow(main_panel, height=20)
        designedby_panel["bg"] = "cyan"
        designedby_panel.pack(fill=BOTH, side=BOTTOM)
        designedby_label = Label(designedby_panel,
                                 text="Designed by: Tran Duy Thanh")
        designedby_label["bg"] = "cyan"
        designedby_label.pack(side=LEFT)
    def show_ui(self):
        self.root.mainloop()

Bước 2: Chức năng “1.PickDataset” để chọn dataset từ máy tính

def do_pick_data(self):
    filetypes=(("Dataset CSV","*.csv"),
               ("All Files","*.*")
               )
    s=fd.askopenfilename(
        title="Choose dataset",
        initialdir="/",
        filetypes=filetypes)
    self.selectedFileName.set(s)

Bước 3: Chức năng “2.View Dataset” để hiển thị chi tiết Dataset lên giao diện mà ta đã chọn

def do_view_dataset(self):
    viewer= DataSetViewer()
    viewer.create_ui()
    viewer.show_data_listview(self.selectedFileName.get())
    viewer.show_ui()

Bước 4: Chức năng train model “3.Train Model”

def do_train(self):

    ratio=self.training_rate.get()/100
    self.df = pd.read_csv(self.selectedFileName.get())

    self.X = self.df[['Avg. Area Income', 'Avg. Area House Age',
                      'Avg. Area Number of Rooms','Avg. Area Number of Bedrooms',
                      'Area Population']]
    self.y = self.df['Price']

    self.X_train, self.X_test, self.y_train, self.y_test = (
        train_test_split(self.X, self.y, test_size=1-ratio, random_state=101))

    self.lm = LinearRegression()

    self.lm.fit(self.X_train, self.y_train)
    self.status.set("Trained is finished")
    messagebox.showinfo("infor","Trained is finished")

Bước 5: Chức năng đánh giá chất lượng mô hình “4.Evaluate Model”

Hàm này khá phức tạp, vì Tui muốn nó cập nhật dữ liệu cột trong bảng dữ liệu, tín hheje số coeff và hiển thị chi tiết lên giao diện:

def do_evaluation(self):
    # print the intercept
    print(self.lm.intercept_)
    insert_text=self.lm.intercept_

    self.coeff_df = pd.DataFrame(self.lm.coef_, self.X.columns, columns=['Coefficient'])
    print(self.coeff_df)
    self.coefficient_detail_text.insert(END, self.coeff_df)

    predictions = self.lm.predict(self.X_test)
    print(predictions)
    print("self.X_test")
    print(self.X_test)
    print("self.y_test:")
    print(self.y_test)
    y_test_array=np.asarray(self.y_test)
    for i in range(0,len(self.X_test)):
        values = [self.X_test.iloc[i][0], self.X_test.iloc[i][1],
                  self.X_test.iloc[i][2], self.X_test.iloc[i][3],
                  self.X_test.iloc[i][4], y_test_array[i],predictions[i]]
        print(values)
        self.tree.insert('', END, values=values)

    print('MAE:', metrics.mean_absolute_error(self.y_test, predictions))
    print('MSE:', metrics.mean_squared_error(self.y_test, predictions))
    print('RMSE:', np.sqrt(metrics.mean_squared_error(self.y_test, predictions)))

    self.mae_value.set(metrics.mean_absolute_error(self.y_test, predictions))
    self.mse_value.set(metrics.mean_squared_error(self.y_test, predictions))
    self.rmse_value.set(np.sqrt(metrics.mean_squared_error(self.y_test, predictions)))

    self.status.set("Evaluation is finished")
    messagebox.showinfo("infor", "Evaluation is finished")

Bước 6: Chức năng lưu mô hình máy học “5. Save Model”

def do_save_model(self):
    #create name of new trained model
    filename = "housingmodel_{}.zip".format(datetime.now().strftime("%Y-%m-%d_%H-%M-%S"))
    #update trained model to option menu:
    self.model_menu.children["menu"].add_command(label=filename,
                                            command=lambda md=filename: self.selected_model.set(md))
    file_path = os.path.join("model", filename)
    FileUtil.savemodel(self.lm,file_path)
    messagebox.showinfo("infor","exported model to disk successful!")

Chương trình sẽ tạo file mô hình máy học theo quy tắc nối ngày thời gian để không bị trùng, sau đó nó được lưu xuống ổ cứng đồng thời hiển thị lên Option menu.
Bước 7: Chức năng tải các mô hình máy học đã lưu vào optionmenu xổ xuống như hình

def load_model_files(self):
    strPlease="----Select a trained machine learning model----"
    if not os.path.exists("model"):
        return [strPlease]
    model_files = [f for f in os.listdir("model") if os.path.isfile(os.path.join("model", f))]

    model_files.insert(0,strPlease)
    print(model_files)
    return model_files

Bước 8: Chức năng nạp mô hình máy học lên bộ nhớ để sử dụng khi khách hàng chọn mô hình máy học được train trong option menu

def do_load_model(self):
    trainedModelName=self.selected_model.get()
    if trainedModelName.__contains__(".zip") ==False:
        messagebox.showwarning("Warning",
                               "You have to select a trained machine learning model")
        return
    self.lm = FileUtil.loadmodel(os.path.join("model", self.selected_model.get()))
    messagebox.showinfo("infor", "loading model from disk successful!")

Khi người dùng chọn mô hình trong Option menu, rồi nhấn nút Load mô hình, lúc này phần mềm sẽ tải mô hình lên bộ nhớ để tái sử dụng.

Bước 9: Chức năng dự báo giá nhà “7. Prediction House Pricing”

Đây là tiện ích cuối cùng của phần mềm để dự báo giá nhà, coding như sau:

def do_prediction(self):
    result = self.lm.predict([[self.area_income_value.get(),
                               self.area_house_age_value.get(),
                               self.area_number_of_rooms_value.get(),
                               self.area_number_of_bedrooms_value.get(),
                               self.area_population_value.get()]])
    self.prediction_price_value.set(result[0])

Dưới đây là mã lệnh chi tiết và đầy đủ của “HousePricePredictionUI.py”:

import os
from datetime import datetime
from tkinter import *
from tkinter import messagebox, ttk
from tkinter.font import Font
from tkinter import filedialog as fd

from DataSetViewer import DataSetViewer
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn import metrics
from sklearn.linear_model import LinearRegression
from FileUtil import FileUtil

class HousePricePredictionUI:
    fileName:""
    def __init__(self):

        pass
    def create_ui(self):
        self.root=Tk()
        self.root.title("Trần Duy Thanh - House Pricing Prediction tool")
        self.root.geometry("1200x750")
        main_panel=PanedWindow(self.root)
        main_panel["bg"]="yellow"
        main_panel.pack(fill=BOTH,expand=True)

        top_panel = PanedWindow(main_panel, height=80)
        top_panel["bg"] = "blue"
        main_panel.add(top_panel)
        top_panel.pack(fill=X, side=TOP, expand=False)

        font=Font(family="tahoma",size=18)
        title_label=Label(top_panel,text='House Pricing Prediction',font=font)
        title_label["bg"]="yellow"
        top_panel.add(title_label)

        center_panel=PanedWindow(main_panel)
        main_panel.add(center_panel)
        center_panel["bg"]="pink"
        center_panel.pack(fill=BOTH,expand=True)

        choose_dataset_panel=PanedWindow(center_panel,height=30)
        center_panel.add(choose_dataset_panel)
        choose_dataset_panel["bg"]="orange"
        choose_dataset_panel.pack(fill=X)

        dataset_label=Label(choose_dataset_panel,text="Select Dataset:")
        self.selectedFileName = StringVar()
        self.selectedFileName.set("dataset/USA_Housing.csv")
        self.choose_dateset_entry=Entry(choose_dataset_panel,
                                        textvariable=self.selectedFileName)

        self.choose_dataset_button = Button(choose_dataset_panel,
                                            text="1.Pick Dataset",
                                            width=10,
                                            command=self.do_pick_data)
        self.view_dataset_button = Button(choose_dataset_panel,
                                          text="2.View Dataset",
                                          width=20,
                                          command=self.do_view_dataset)
        choose_dataset_panel.add(dataset_label)
        choose_dataset_panel.add(self.choose_dateset_entry)
        choose_dataset_panel.add(self.choose_dataset_button)
        choose_dataset_panel.add(self.view_dataset_button)
        self.view_dataset_button.pack(side=RIGHT, expand=False)
        self.choose_dataset_button.pack(side=RIGHT, expand=False)

        #Training Rate
        training_rate_panel = PanedWindow(center_panel, height=30)
        center_panel.add(training_rate_panel)
        training_rate_panel.pack(fill=X)
        training_rate_label = Label(training_rate_panel, text="Training Rate:")
        self.training_rate = IntVar()
        self.training_rate.set(80)
        self.training_rate_entry = Entry(training_rate_panel,
                                         textvariable=self.training_rate,width=20)
        training_rate_panel.add(training_rate_label)
        training_rate_panel.add(self.training_rate_entry)
        percent_label=Label(text="%",width=20,anchor="w", justify=LEFT)
        percent_label.pack(side=RIGHT,expand=False,fill=X)
        training_rate_panel.add(percent_label)
        self.train_model_button=Button(training_rate_panel,
                                       text="3.Train Model",
                                       width=20,
                                       command=self.do_train)
        training_rate_panel.add( self.train_model_button)
        self.evaluate_model_button = Button(training_rate_panel,
                                            text="4.Evaluate Model",
                                            width=20,
                                            command=self.do_evaluation)
        training_rate_panel.add(self.evaluate_model_button)
        self.status=StringVar()
        self.train_model_result_label = Label(training_rate_panel,
                                              text=self.status.get(),
                                              textvariable=self.status)
        training_rate_panel.add(self.train_model_result_label)

        evaluate_panel=PanedWindow(center_panel,height=400)
        evaluate_panel["bg"]="cyan"
        center_panel.add(evaluate_panel)
        evaluate_panel.pack(fill=X)

        table_evaluate_panel=PanedWindow(evaluate_panel,height=400)
        evaluate_panel.add(table_evaluate_panel)

        # define columns
        columns = ('Avg. Area Income', 'Avg. Area House Age',
                   'Avg. Area Number of Rooms','Avg. Area Number of Bedrooms',
                   'Area Population', 'Original Price', 'Prediction Price')

        self.tree = ttk.Treeview(table_evaluate_panel,
                                 columns=columns, show="headings")

        self.tree.column("# 1", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 2", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 3", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 4", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 5", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 6", anchor=CENTER, stretch=NO, width=100)
        self.tree.column("# 7", anchor=CENTER, stretch=NO, width=100)

        # define headings
        self.tree.heading("Avg. Area Income", text="Avg. Income")
        self.tree.heading("Avg. Area House Age", text="Avg. House Age")
        self.tree.heading("Avg. Area Number of Rooms", text="Avg. Area Room")
        self.tree.heading("Avg. Area Number of Bedrooms", text="Avg. Area Bedroom")
        self.tree.heading("Area Population", text="Area Population")
        self.tree.heading("Original Price", text="Original Price")
        self.tree.heading("Prediction Price", text="Prediction Price")
        # self.tree.grid(row=0, column=0, sticky="nsew")
        self.tree.pack(side=LEFT, fill=BOTH, expand=True)
        scrollbar = ttk.Scrollbar(table_evaluate_panel,
                                  orient=VERTICAL, command=self.tree.yview)
        self.tree.configure(yscroll=scrollbar.set)
        # scrollbar.grid(row=0, column=1, sticky="ns")
        scrollbar.pack(side=RIGHT, fill=BOTH, expand=True)

        coefficient_panel=PanedWindow(evaluate_panel)
        coefficient_panel["bg"]="pink"
        coefficient_panel.pack(side=RIGHT,fill=X,expand=False)
        evaluate_panel.add(coefficient_panel)

        coefficient_detail_label=Label(coefficient_panel,text="Coefficient:")
        coefficient_panel.add(coefficient_detail_label)
        coefficient_detail_label.pack(side=TOP,fill=X,expand=False)
        coefficient_detail_panel=PanedWindow(coefficient_panel)
        coefficient_panel.add(coefficient_detail_panel)
        coefficient_detail_panel.pack(side=TOP,expand=False,fill=X)

        self.coefficient_detail_text = (
            Text(coefficient_detail_panel, height=12,width=50))
        scroll = Scrollbar(coefficient_detail_panel)
        self.coefficient_detail_text.configure(yscrollcommand=scroll.set)
        self.coefficient_detail_text.pack(side=LEFT,expand=False,fill=X)

        scroll.config(command=self.coefficient_detail_text.yview)
        scroll.pack(side=RIGHT, fill=Y,expand=True)

        metric_panel=PanedWindow(coefficient_panel,height=30)
        coefficient_panel.add(metric_panel)
        metric_panel.pack(side=TOP,fill=BOTH,expand=True)

        self.mae_value=DoubleVar()
        mae_label=Label(metric_panel,text="Mean Absolute Error(MAE):")
        mae_label.grid(row=0,column=0)
        mae_entry = Entry(metric_panel, text="",
                          width=20,textvariable=self.mae_value)
        mae_entry.grid(row=0, column=1)

        self.mse_value = DoubleVar()
        mse_label = Label(metric_panel, text="Mean Square Error(MSE):")
        mse_label.grid(row=1, column=0)
        mse_entry = Entry(metric_panel, text="", width=20,textvariable=self.mse_value)
        mse_entry.grid(row=1, column=1)

        self.rmse_value = DoubleVar()
        rmse_label = Label(metric_panel, text="Root Mean Square Error(RMSE):")
        rmse_label.grid(row=2, column=0)
        rmse_entry = Entry(metric_panel, text="",
                           width=20,textvariable=self.rmse_value)
        rmse_entry.grid(row=2, column=1)

        savemodel_button = Button(metric_panel,
                                  text="5. Save Model",
                                  width=20,
                                  command=self.do_save_model)
        savemodel_button.grid(row=3, column=1)

        loadmodel_panel=PanedWindow(center_panel,height=20)
        loadmodel_panel["bg"]="yellow"
        loadmodel_panel.pack(fill=BOTH,side=TOP)
        model_files = self.load_model_files()
        print(model_files)

        self.selected_model = StringVar(self.root)
        self.selected_model.set(model_files[0])

        self.model_menu = OptionMenu(loadmodel_panel,
                                     self.selected_model,
                                     *model_files)
        self.model_menu.grid(row=0, column=0)

        loadmodel_button = Button(loadmodel_panel,
                                  text="6. Load Model",
                                  command=self.do_load_model)
        
        loadmodel_button.grid(row=0, column=1)

        input_prediction_panel = PanedWindow(center_panel)
        input_prediction_panel.pack(fill=BOTH, side=TOP,expand=True)

        area_income_label = Label(input_prediction_panel,
                                  text="Avg. Area Income:")
        area_income_label.grid(row=0, column=0)
        self.area_income_value=DoubleVar()
        area_income_entry = Entry(input_prediction_panel,
                                  text="",
                                  width=40,
                                  textvariable=self.area_income_value)
        area_income_entry.grid(row=0, column=1)

        area_house_age_label = Label(input_prediction_panel,
                                     text="Avg. Area House Age:")
        area_house_age_label.grid(row=1, column=0)
        self.area_house_age_value = DoubleVar()
        area_house_age_entry = Entry(input_prediction_panel,
                                     text="",
                                     width=40,
                                     textvariable=self.area_house_age_value)
        area_house_age_entry.grid(row=1, column=1)

        area_number_of_rooms_label = Label(input_prediction_panel,
                                           text="Avg. Area Number of Rooms:")
        area_number_of_rooms_label.grid(row=2, column=0)
        self.area_number_of_rooms_value=DoubleVar()
        area_number_of_rooms_entry = Entry(input_prediction_panel,
                                           text="", width=40,
                                           textvariable=self.area_number_of_rooms_value)
        area_number_of_rooms_entry.grid(row=2, column=1)

        area_number_of_bedrooms_label = Label(input_prediction_panel,
                                              text="Avg. Area Number of Bedrooms:")
        area_number_of_bedrooms_label.grid(row=3, column=0)
        self.area_number_of_bedrooms_value=DoubleVar()
        area_number_of_bedrooms_entry = Entry(input_prediction_panel,
                                              text="", width=40,
                                              textvariable=self.area_number_of_bedrooms_value)
        area_number_of_bedrooms_entry.grid(row=3, column=1)

        area_population_label = Label(input_prediction_panel, text="Area Population:")
        area_population_label.grid(row=4, column=0)
        self.area_population_value = DoubleVar()
        area_population_entry = Entry(input_prediction_panel,
                                      text="", width=40,
                                      textvariable=self.area_population_value)
        area_population_entry.grid(row=4, column=1)

        prediction_button=Button(input_prediction_panel,
                                 text="7. Prediction House Pricing",
                                 command=self.do_prediction)
        prediction_button.grid(row=5, column=1)

        prediction_price_label = Label(input_prediction_panel,
                                       text="Prediction Price:")
        prediction_price_label.grid(row=6, column=0)
        self.prediction_price_value=DoubleVar()
        prediction_price_entry = Entry(input_prediction_panel,
                                       text="", width=40,
                                       textvariable=self.prediction_price_value)
        prediction_price_entry.grid(row=6, column=1)

        designedby_panel = PanedWindow(main_panel, height=20)
        designedby_panel["bg"] = "cyan"
        designedby_panel.pack(fill=BOTH, side=BOTTOM)
        designedby_label = Label(designedby_panel,
                                 text="Designed by: Tran Duy Thanh")
        designedby_label["bg"] = "cyan"
        designedby_label.pack(side=LEFT)
    def show_ui(self):
        self.root.mainloop()
    def do_pick_data(self):
        filetypes=(("Dataset CSV","*.csv"),
                   ("All Files","*.*")
                   )
        s=fd.askopenfilename(
            title="Choose dataset",
            initialdir="/",
            filetypes=filetypes)
        self.selectedFileName.set(s)
    def do_view_dataset(self):
        viewer= DataSetViewer()
        viewer.create_ui()
        viewer.show_data_listview(self.selectedFileName.get())
        viewer.show_ui()
    def do_train(self):

        ratio=self.training_rate.get()/100
        self.df = pd.read_csv(self.selectedFileName.get())

        self.X = self.df[['Avg. Area Income', 'Avg. Area House Age',
                          'Avg. Area Number of Rooms','Avg. Area Number of Bedrooms',
                          'Area Population']]
        self.y = self.df['Price']

        self.X_train, self.X_test, self.y_train, self.y_test = (
            train_test_split(self.X, self.y, test_size=1-ratio, random_state=101))

        self.lm = LinearRegression()

        self.lm.fit(self.X_train, self.y_train)
        self.status.set("Trained is finished")
        messagebox.showinfo("infor","Trained is finished")
    def do_evaluation(self):
        # print the intercept
        print(self.lm.intercept_)
        insert_text=self.lm.intercept_

        self.coeff_df = pd.DataFrame(self.lm.coef_, self.X.columns, columns=['Coefficient'])
        print(self.coeff_df)
        self.coefficient_detail_text.insert(END, self.coeff_df)

        predictions = self.lm.predict(self.X_test)
        print(predictions)
        print("self.X_test")
        print(self.X_test)
        print("self.y_test:")
        print(self.y_test)
        y_test_array=np.asarray(self.y_test)
        for i in range(0,len(self.X_test)):
            values = [self.X_test.iloc[i][0], self.X_test.iloc[i][1],
                      self.X_test.iloc[i][2], self.X_test.iloc[i][3],
                      self.X_test.iloc[i][4], y_test_array[i],predictions[i]]
            print(values)
            self.tree.insert('', END, values=values)

        print('MAE:', metrics.mean_absolute_error(self.y_test, predictions))
        print('MSE:', metrics.mean_squared_error(self.y_test, predictions))
        print('RMSE:', np.sqrt(metrics.mean_squared_error(self.y_test, predictions)))

        self.mae_value.set(metrics.mean_absolute_error(self.y_test, predictions))
        self.mse_value.set(metrics.mean_squared_error(self.y_test, predictions))
        self.rmse_value.set(np.sqrt(metrics.mean_squared_error(self.y_test, predictions)))

        self.status.set("Evaluation is finished")
        messagebox.showinfo("infor", "Evaluation is finished")
    def do_save_model(self):
        #create name of new trained model
        filename = "housingmodel_{}.zip".format(datetime.now().strftime("%Y-%m-%d_%H-%M-%S"))
        #update trained model to option menu:
        self.model_menu.children["menu"].add_command(label=filename,
                                                command=lambda md=filename: self.selected_model.set(md))
        file_path = os.path.join("model", filename)
        FileUtil.savemodel(self.lm,file_path)
        messagebox.showinfo("infor","exported model to disk successful!")
    def load_model_files(self):
        strPlease="----Select a trained machine learning model----"
        if not os.path.exists("model"):
            return [strPlease]
        model_files = [f for f in os.listdir("model") if os.path.isfile(os.path.join("model", f))]

        model_files.insert(0,strPlease)
        print(model_files)
        return model_files
    def do_load_model(self):
        trainedModelName=self.selected_model.get()
        if trainedModelName.__contains__(".zip") ==False:
            messagebox.showwarning("Warning",
                                   "You have to select a trained machine learning model")
            return
        self.lm = FileUtil.loadmodel(os.path.join("model", self.selected_model.get()))
        messagebox.showinfo("infor", "loading model from disk successful!")
    def do_prediction(self):
        result = self.lm.predict([[self.area_income_value.get(),
                                   self.area_house_age_value.get(),
                                   self.area_number_of_rooms_value.get(),
                                   self.area_number_of_bedrooms_value.get(),
                                   self.area_population_value.get()]])
        self.prediction_price_value.set(result[0])

Tiếp theo ta viết mã lệnh cho “App.py” để thực thi phần mềm:

from HousePricePredictionUI import HousePricePredictionUI

if __name__ == '__main__':
    ui=HousePricePredictionUI()
    ui.create_ui()
    ui.show_ui()

Như vậy Tui đã làm xong case study với dự án mẫu cho phần mềm tương tác người dùng, sử dụng mô hình máy học để dự báo giá nhà bằng Tkinter. Chạy phần mềm lên ta có giao diện như mong muốn: