使用機(jī)器學(xué)習(xí)預(yù)測(cè)電影的利潤(rùn)

電影業(yè)是一個(gè)龐大的投資領(lǐng)域，但較大的商業(yè)領(lǐng)域更加復(fù)雜，而且很難選擇如何投資。此外，重大投資伴隨著更大的風(fēng)險(xiǎn)。隨著電影行業(yè)日益增長(zhǎng)，現(xiàn)在互聯(lián)網(wǎng)上有大量的數(shù)據(jù)可供使用，這使其成為一個(gè)令人興奮的數(shù)據(jù)分析領(lǐng)域。預(yù)測(cè)電影的票房成功是一項(xiàng)非常復(fù)雜的任務(wù)。

只有預(yù)先發(fā)布的特征才被認(rèn)為是預(yù)測(cè)一部即將上映的電影的成功。這里預(yù)先發(fā)布的特征包括電影預(yù)算、電影上映的屏幕數(shù)量、美國(guó)電影協(xié)會(huì)(MPAA)的評(píng)級(jí)、演員/女演員的明星影響力、導(dǎo)演的啟動(dòng)力和上映月份。在發(fā)布電影一到幾周后，發(fā)布后的特征將有助于提高預(yù)測(cè)的準(zhǔn)確性，因?yàn)檫@些特征是可用的。為了更好的分類(lèi)，我使用了5個(gè)類(lèi)別而不是2個(gè)(慘淡/大賣(mài))類(lèi)別。預(yù)先發(fā)布的特征將作為輸入，它將被分為這5類(lèi)。

將有兩種類(lèi)型的預(yù)測(cè)，一種是精確匹配，它指的是正確的分類(lèi)，另一種是遠(yuǎn)離預(yù)測(cè)，這意味著從特定類(lèi)型向上或向下考慮一個(gè)類(lèi)以及完全匹配。

現(xiàn)在，下一部分將是數(shù)據(jù)準(zhǔn)備。它可以分5個(gè)階段完成，

1.數(shù)據(jù)采集? - 可以通過(guò)抓取IMDb，爛番茄，Metacritic和Box Office Mojo等網(wǎng)站來(lái)提取一些預(yù)測(cè)特征，同時(shí)可以使用python API提取某些特征。

2.數(shù)據(jù)清理 - 數(shù)據(jù)集中有很多電影的預(yù)算是不可用的。在這些電影中，沒(méi)有幾部不具備大部分特征。這些電影中有許多是中國(guó)、俄羅斯或印度電影，因此無(wú)法正確地翻譯標(biāo)題，以鏈接和提取相應(yīng)的用戶(hù)評(píng)論和評(píng)級(jí)。這些影片必須從數(shù)據(jù)集中刪除。

3.特征提取 - 許多預(yù)測(cè)成功的特征必須使用數(shù)據(jù)集中提供的原始數(shù)據(jù)進(jìn)行計(jì)算。例如，評(píng)分的倍增值和評(píng)分的用戶(hù)數(shù)量被用作單個(gè)特征。一個(gè)演員的明星影響力是由他/她主演的所有電影的收入總和來(lái)計(jì)算的。

預(yù)算是另一個(gè)預(yù)發(fā)布的特征。如果一部電影的制作預(yù)算較高，它就有更大的機(jī)會(huì)通過(guò)宣傳獲得更多的人氣。所以預(yù)算高的電影有更高的機(jī)會(huì)獲得更多的收入。計(jì)算所有在兩周內(nèi)上映的電影的數(shù)量，包括之前和之后，并將其稱(chēng)為“Competition Score（CS）”。然后根據(jù)CS的倒數(shù)計(jì)算'Competition Factor（CF）'，這意味著競(jìng)爭(zhēng)越激烈，得分越低。 同樣，也提取其他特征。

4.數(shù)據(jù)整合和轉(zhuǎn)換 - 為此，目標(biāo)分為5類(lèi)，從慘淡到大賣(mài)。每個(gè)特征都分為這5個(gè)類(lèi)。例如，放映數(shù)量的分類(lèi)如下：

1. - - - 放映數(shù)量<= 100；
2. - - - 100 <放映數(shù)量<= 500；
3. - - - 500 <放映數(shù)量<= 2000；
4. - - - 2000 <放映數(shù)量<= 3000；
5. - - - 放映數(shù)量> 3000 。

同樣，其他特征也分為5類(lèi)。為了根據(jù)評(píng)論對(duì)電影進(jìn)行分類(lèi)，將進(jìn)行情緒分析，并預(yù)測(cè)電影的情緒（范圍在5以?xún)?nèi)）。

5.數(shù)據(jù)歸一化? - 首先將演員、導(dǎo)演和發(fā)布日期等非數(shù)值變量轉(zhuǎn)換為數(shù)值。然后對(duì)數(shù)值進(jìn)行標(biāo)準(zhǔn)化，使數(shù)值位于0和1之間，以避免數(shù)值的較大變化。在數(shù)據(jù)準(zhǔn)備完成之后，使用分類(lèi)算法對(duì)電影進(jìn)行5類(lèi)分類(lèi)。利潤(rùn)預(yù)測(cè)將按如下方式計(jì)算：

利潤(rùn)=總計(jì)- 預(yù)算

根據(jù)預(yù)測(cè)的類(lèi)別對(duì)電影進(jìn)行分組。計(jì)算組的最大利潤(rùn)和最小利潤(rùn)的平均值。該范圍將是電影的預(yù)測(cè)利潤(rùn)范圍。

例如：

類(lèi) - - - - 利潤(rùn)范圍；

1. - - - - - 利潤(rùn)<= 五百萬(wàn)（慘淡）；
2. - - - - - 五百萬(wàn)<利潤(rùn)<= 1千萬(wàn)；
3. - - - - - 1千萬(wàn)<利潤(rùn)<= 4千萬(wàn)；
4. - - - - - 4千萬(wàn)<利潤(rùn)<= 1.5億；
5. - - - - -利潤(rùn)> 1.5億（大賣(mài)）。

[2]用于對(duì)5類(lèi)中的電影進(jìn)行分類(lèi)的分類(lèi)算法：

壹.隨機(jī)森林

它本質(zhì)上適用于多類(lèi)問(wèn)題。它適用于處理數(shù)值和分類(lèi)特征的混合，在這個(gè)問(wèn)題中是一個(gè)主要因素。當(dāng)特征在各種尺度上，它也很好。粗略地說(shuō)，使用隨機(jī)森林，您可以按原樣使用數(shù)據(jù)。隨機(jī)森林算法比支持向量機(jī)（SVM）更容易調(diào)整。

優(yōu)點(diǎn)：

1. 它通過(guò)平均幾棵樹(shù)來(lái)減少過(guò)度擬合的可能性。
2. 它們不需要準(zhǔn)備輸入數(shù)據(jù)。您不必縮放數(shù)據(jù)。

缺點(diǎn)：

1. 與其他算法相比，隨機(jī)森林算法的預(yù)測(cè)過(guò)程比較耗時(shí)。
2. 它們需要更多的計(jì)算資源，也不太直觀。當(dāng)您擁有大量決策樹(shù)時(shí)，很難直觀地掌握輸入數(shù)據(jù)中存在的關(guān)系。

貳.支持向量機(jī)（SVM）

對(duì)于預(yù)測(cè)，可以使用幾種機(jī)器學(xué)習(xí)算法，例如Naive Bayes，Random Forest和Logistic回歸等。這些分類(lèi)器足以用于二進(jìn)制分類(lèi)，其中一些可用于多類(lèi)分類(lèi)。但是，當(dāng)數(shù)據(jù)模式非常復(fù)雜時(shí)，SVM始終產(chǎn)生更好的結(jié)果。對(duì)于電影利潤(rùn)預(yù)測(cè)，需要健全的特征。對(duì)于這種復(fù)雜的數(shù)據(jù)模式，SVM在機(jī)器學(xué)習(xí)算法中發(fā)揮最佳作用。

優(yōu)點(diǎn)：

1. 作為一種代價(jià)敏感的分類(lèi)器，它可以解決數(shù)據(jù)不平衡的問(wèn)題。在現(xiàn)實(shí)生活中的問(wèn)題中，可能存在正數(shù)據(jù)的數(shù)量大于負(fù)數(shù)據(jù)的數(shù)量的情況。
2. 與其他非線性分類(lèi)器相比，該算法降低了計(jì)算復(fù)雜度并且提高了分類(lèi)效率 。

缺點(diǎn)：

1. 在SVM中很難選擇最優(yōu)的內(nèi)核函數(shù)。
2. 速度，大小和學(xué)習(xí)速率都有限制。

叁.神經(jīng)網(wǎng)絡(luò)

使用深度神經(jīng)網(wǎng)絡(luò)可以在所有方面最好地解決這個(gè)問(wèn)題。它由一組隱藏層組成，借助反向傳播技術(shù)學(xué)習(xí)復(fù)雜的數(shù)據(jù)模式。深度神經(jīng)網(wǎng)絡(luò)是迄今為止用于分類(lèi)的最佳方法。

我們向網(wǎng)絡(luò)提供的數(shù)據(jù)越多，它給出的結(jié)果就越準(zhǔn)確。我們知道電影行業(yè)是一個(gè)快速發(fā)展的行業(yè)，隨著時(shí)間的推移，我們可以獲得更多的數(shù)據(jù)集。

優(yōu)點(diǎn)：

1. 神經(jīng)網(wǎng)絡(luò)是一種非參數(shù)模型，即消除了參數(shù)估計(jì)中的誤差 ，而大多數(shù)統(tǒng)計(jì)方法（MLR等）是需要較高統(tǒng)計(jì)背景的參數(shù)模型。
2. 它具有處理不完整知識(shí)的能力。

缺點(diǎn)：

1. 它需要大量的計(jì)算時(shí)間。
2. 與其他模型（如決策樹(shù)）相比，由于學(xué)習(xí)權(quán)重背后的未知符號(hào)邏輯意義，模型的可解釋性較差 。

結(jié)論

在使用神經(jīng)網(wǎng)絡(luò)的這三種算法中，這是解決此問(wèn)題的最佳方法。這是因?yàn)閷?duì)神經(jīng)網(wǎng)絡(luò)中的預(yù)測(cè)的準(zhǔn)確性沒(méi)有限制。隨著數(shù)據(jù)集的增加，其準(zhǔn)確性也會(huì)提高。此外，對(duì)于復(fù)雜的數(shù)據(jù)模式，如電影預(yù)發(fā)布特征，深度神經(jīng)網(wǎng)絡(luò)可能比其他機(jī)器學(xué)習(xí)算法非常有用。