In this study, we propose machine learning models, including linear regression, LASSO regression, and Ridge regression, for fast estimating atomic energies in a magnetic system. In our method, the total energy of a magnetic system contains chemical energy and magnetic energy. The chemical energy is approximated as the summation of atomic energy which is the interaction energy with its surrounding chemical environment within a certain cutoff radius. Atomic energy is decomposed into two-body terms which are expressed as a linear combination of basis functions. The magnetic energy is also approximated as the summation of atomic magnetic energy. The machine learning models, trained with crystal bcc-Fe data, can fast estimate the total energy of the system in both magnetic and non-magnetic states. Result from these models were analyzed and compared with calculated results by density functional theory (DFT). Model evaluation metrics including MSE, MAE and R2 indicated that Ridge regression gives the best results. Results from our machine learning models show good agreement with DFT calculations.Trong nghiên cứu này, chúng tôi đề xuất các mô hình học máy, bao gồm hồi quy tuyến tính, hồi quy LASSO và hồi quy Rigde, để ước tính nhanh năng lượng tổng cộng của các hệ vật liệu từ. Trong phương pháp của chúng tôi, năng lượng của một hệ vật liệu từ là tổng của năng lượng tương tác hóa học và năng lượng tương tác từ. Năng lượng tương tác hóa học của hệ được tính gần đúng như là tổng của các năng lượng nguyên tử cấu thành, khi tương tác với môi trường hóa học xung quanh trong một bán kính giới hạn xác định. Năng lượng của từng nguyên tử được phân tách thành các số hạng tương tác hai vật và biểu diễn dưới dạng tổ hợp tuyến tính của các hàm cơ sở. Năng lượng tương tác từ cũng được tính gần đúng như là tổng năng lượng tương tác từ của các nguyên tử cấu thành. Các mô hình học máy, sau khi được huấn luyện với dữ liệu của mạng tinh thể bcc-Fe, có thể dự đoán nhanh năng lượng tổng cộng của hệ ở cả trạng thái có và không có từ tính. Kết quả từ các mô hình này đã được phân tích và so sánh với kết quả tính toán bằng lý thuyết phiếm hàm mật độ (DFT). Các chỉ số đánh giá mô hình như MSE, MAE và R2 chỉ ra rằng mô hình hồi quy Ridge cho kết quả tốt nhất. Kết quả tính toán từ các mô hình học máy của chúng tôi cho thấy sự phù hợp tốt với các tính toán DFT.