1. Import các thư viện cần thiết:

   • Sử dụng TensorFlow, Pandas, NumPy, sklearn, và matplotlib để hỗ trợ việc xử lý dữ liệu và xây dựng mô hình.

2. Chuẩn bị dữ liệu:

   • Đọc dữ liệu: Đọc các tệp CSV X_train.csv và X_test.csv vào các DataFrame X_train và X_predict.
   • Xử lý cột floor:
     • Tách cột floor thành hai cột floor_type (loại tầng) và floor_number (số tầng).
     • Sử dụng LabelEncoder để mã hóa cột floor_type và điền giá trị trung bình cho floor_number nếu có giá trị thiếu.
   • Xử lý cột livingRoom, drawingRoom, kitchen, bathRoom:
     • Chuyển đổi các cột này sang kiểu số và điền giá trị trung bình nếu có giá trị thiếu.
   • Xử lý cột buildingType:
     • Đổi kiểu cột buildingType thành số nguyên hoặc NaN nếu giá trị không hợp lệ.
   • Xử lý cột constructionTime:
     • Giữ lại các năm hợp lệ trong khoảng từ 1800 đến 2024; các giá trị ngoài khoảng này sẽ được đặt là NaN.
   • Xử lý cột ladderRatio:
     • Kiểm tra điều kiện tỷ lệ thang máy, đặt NaN nếu giá trị vượt quá 1.
   • Xử lý cột tradeTime:
     • Chuyển đổi cột ngày tháng tradeTime thành tradeYear, tradeMonth, và tradeDay.

3. Chuẩn hóa dữ liệu:

   • Sử dụng StandardScaler cho các cột số (numeric_features) như Lng, Lat, square, followers,...
   • Nếu có cột minmax_features cần chuẩn hóa, sử dụng MinMaxScaler để chuẩn hóa riêng.

4. Xử lý dữ liệu X_predict:

   • Áp dụng mã hóa và xử lý các cột floor_type, livingRoom, drawingRoom, kitchen, bathRoom, buildingType, constructionTime, ladderRatio, và tradeTime tương tự như với X_train.
   • Chuẩn hóa các cột numeric_features và minmax_features của X_predict.

5. Chuẩn bị dữ liệu huấn luyện và kiểm thử:

   • Kết hợp X_train và Y_train để tạo thành XY_train_clean.
   • Tách X_train và Y_train thành X_learn, X_test, Y_learn, Y_test để huấn luyện và kiểm thử.

6. Huấn luyện với mô hình Random Forest:

   • Khởi tạo RandomForestRegressor và huấn luyện trên dữ liệu X_learn để tạo ra các dự đoán trung gian y_rf_pred.

7. Xây dựng và huấn luyện mô hình MLP:

   • Khởi tạo mô hình Sequential với các lớp Dense.
   • Biên dịch mô hình với hàm tối ưu Adam, thiết lập các callback như EarlyStopping và ReduceLROnPlateau.
   • Huấn luyện mô hình trên X_learn và y_rf_pred, chia tập dữ liệu để đánh giá hiệu quả mô hình.

8. Đánh giá mô hình:

   • Dự đoán trên X_test và tính các chỉ số MSE, MAE, RMSE, và R² để đánh giá chất lượng mô hình.

9. Dự đoán và xuất kết quả:

   • Dự đoán trên X_predict, lưu kết quả thành DataFrame, thêm cột ID để xuất ra thành file CSV.

10. Vẽ biểu đồ phân bố:

    • Sử dụng matplotlib để vẽ biểu đồ phân bố của giá trị dự đoán Y_predict2 nhằm trực quan hóa kết quả.