前言
成都創(chuàng)新互聯(lián)公司是一家朝氣蓬勃的網(wǎng)站建設(shè)公司。公司專注于為企業(yè)提供信息化建設(shè)解決方案。從事網(wǎng)站開發(fā)，網(wǎng)站制作，網(wǎng)站設(shè)計(jì)，網(wǎng)站模板，微信公眾號(hào)開發(fā)，軟件開發(fā)，微信小程序，十年建站對(duì)成都主動(dòng)防護(hù)網(wǎng)等多個(gè)行業(yè)，擁有多年的網(wǎng)站推廣經(jīng)驗(yàn)。
最近一段時(shí)間都在處理電影領(lǐng)域的數(shù)據(jù), 而電影票房預(yù)測(cè)是電影領(lǐng)域數(shù)據(jù)建模中的一個(gè)重要模塊, 所以我們針對(duì)電影數(shù)據(jù)做了票房預(yù)測(cè)建模.
前期工作
一開始的做法是將這個(gè)問題看待成回歸的問題, 采用GBDT回歸樹去做. 訓(xùn)練了不同殘差的回歸樹, 然后做集成學(xué)習(xí). 考慮的影響因子分別有電影的類型, 豆瓣評(píng)分, 導(dǎo)演的 影響力, 演員的影響力, 電影的出品公司. 不過預(yù)測(cè)的結(jié)果并不是那么理想, 準(zhǔn)確率為真實(shí)值的0.3+/-區(qū)間情況下的80%, 且波動(dòng)性較大, 不容易解析.
后期的改進(jìn)
總結(jié)之前的失敗經(jīng)驗(yàn), 主要?dú)w納了以下幾點(diǎn):
1.影響因子不夠多, 難以建模
2.票房成績的區(qū)間較大(一百萬到10億不等),分布不均勻, 大多數(shù)集中與億級(jí), 所以不適合采用回歸方法解決.
3.數(shù)據(jù)樣本量比較少, 不均勻, 預(yù)測(cè)百萬級(jí)的電影較多, 影響預(yù)測(cè)結(jié)果
后期, 我們重新規(guī)范了數(shù)據(jù)的輸入格式, 即影響因子, 具體如下:
第一行: 電影名字
第二行: 電影票房(也就是用于預(yù)測(cè)的, 以萬為單位)
第三行: 電影類型
第四行: 片長(以分鐘為單位)
第五行:上映時(shí)間(按月份)
第六行: 制式( 一般分為2D, 3D, IMAX)
第七行: 制作國家
第八行: 導(dǎo)演影響 (以導(dǎo)演的平均票房成績?yōu)楹饬? 以萬為單位 )
第九行: 演員影響 ( 以所有演員的平均票房成績?yōu)楹饬? 以萬為單位 )
第十行:制作公司影響 ( 以所有制作公司的平均票房成績?yōu)楹饬? 以萬為單位 )
第十一行: 發(fā)行公式影響 ( 以所有制作公司的平均票房成績?yōu)楹饬?以萬為單位 )
收集了05-17年的來自中國,日本,美國,英國的電影, 共1058部電影. 由于處理成為分類問題, 故按將電影票房分為以下等級(jí):
在構(gòu)建模型之前, 先將數(shù)據(jù)處理成libsvm格式文件, 然后采用隨機(jī)森林模型訓(xùn)練.
隨機(jī)森林由許多的決策樹組成, 因?yàn)檫@些決策樹的形成采用隨機(jī)的策略, 每個(gè)決策樹都隨機(jī)生成, 相互之間獨(dú)立.模型最后輸出的類別是由每個(gè)樹輸出的類別的眾數(shù)而定.在構(gòu)建每個(gè)決策樹的時(shí)候采用的策略是信息熵, 決策樹為多元分類決策樹.隨機(jī)森林的流程圖如下圖所示:
隨機(jī)森林是采用spark-mllib提供的random forest, 由于超過10億的電影的數(shù)據(jù)相對(duì)比較少, 為了平衡各數(shù)據(jù)的分布, 采用了過分抽樣的方法, 訓(xùn)練模型的代碼如下:
重慶分公司
重慶分公司
public void predict() throws IOException{
SparkConf conf = new SparkConf().setAppName("SVM").setMaster("local");
conf.set("spark.testing.memory", "2147480000");
SparkContext sc = new SparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
// Load and parse the data file, converting it to a DataFrame.
DataFrame trainData = sqlContext.read().format("libsvm").load(this.trainFile);
DataFrame testData = sqlContext.read().format("libsvm").load(this.testFile);
// Index labels, adding metadata to the label column.
// Fit on whole dataset to include all labels in index.
StringIndexerModel labelIndexer = new StringIndexer()
.setInputCol("label")
.setOutputCol("indexedLabel")
.fit(trainData);
// Automatically identify categorical features, and index them.
// Set maxCategories so features with > 4 distinct values are treated as continuous.
VectorIndexerModel featureIndexer = new VectorIndexer()
.setInputCol("features")
.setOutputCol("indexedFeatures")
.setMaxCategories(4)
.fit(trainData);
// Split the data into training and test sets (30% held out for testing)
// DataFrame[] splits = trainData.randomSplit(new double[] {0.9, 0.1});
// trainData = splits[0];
// testData = splits[1];
// Train a RandomForest model.
RandomForestClassifier rf = new RandomForestClassifier()
.setLabelCol("indexedLabel")
.setFeaturesCol("indexedFeatures")
.setNumTrees(20);
// Convert indexed labels back to original labels.
IndexToString labelConverter = new IndexToString()
.setInputCol("prediction")
.setOutputCol("predictedLabel")
.setLabels(labelIndexer.labels());
// Chain indexers and forest in a Pipeline
Pipeline pipeline = new Pipeline()
.setStages(new PipelineStage[] {labelIndexer, featureIndexer, rf, labelConverter});
// Train model. This also runs the indexers.
PipelineModel model = pipeline.fit(trainData);
// Make predictions.
DataFrame predictions = model.transform(testData);
// Select example rows to display.
predictions.select("predictedLabel", "label", "features").show(200);
// Select (prediction, true label) and compute test error
MulticlassClassificationEvaluator evaluator = new MulticlassClassificationEvaluator()
.setLabelCol("indexedLabel")
.setPredictionCol("prediction")
.setMetricName("precision");
double accuracy = evaluator.evaluate(predictions);
System.out.println("Test Error = " + (1.0 - accuracy));
RandomForestClassificationModel rfModel = (RandomForestClassificationModel)(model.stages()[2]);
// System.out.println("Learned classification forest model:\n" + rfModel.toDebugString());
DataFrame resultDF = predictions.select("predictedLabel");
JavaRDD resultRow = resultDF.toJavaRDD();
JavaRDD result = resultRow.map(new Result());
this.resultList = result.collect();
for(String one: resultList){
System.out.println(one);
}
}
下面為其中一個(gè)的決策樹情況:
Tree 16 (weight 1.0):
If (feature 10 in {0.0})
If (feature 48 <= 110.0)
If (feature 86 <= 13698.87)
If (feature 21 in {0.0})
If (feature 54 in {0.0})
Predict: 0.0
Else (feature 54 not in {0.0})
Predict: 1.0
Else (feature 21 not in {0.0})
Predict: 0.0
Else (feature 86 > 13698.87)
If (feature 21 in {0.0})
If (feature 85 <= 39646.9)
Predict: 2.0
Else (feature 85 > 39646.9)
Predict: 3.0
Else (feature 21 not in {0.0})
Predict: 3.0
Else (feature 48 > 110.0)
If (feature 85 <= 15003.3)
If (feature 9 in {0.0})
If (feature 54 in {0.0})
Predict: 0.0
Else (feature 54 not in {0.0})
Predict: 2.0
Else (feature 9 not in {0.0})
Predict: 2.0
Else (feature 85 > 15003.3)
If (feature 65 in {0.0})
If (feature 85 <= 66065.0)
Predict: 3.0
Else (feature 85 > 66065.0)
Predict: 2.0
Else (feature 65 not in {0.0})
Predict: 3.0
Else (feature 10 not in {0.0})
If (feature 51 in {0.0})
If (feature 85 <= 6958.4)
If (feature 11 in {0.0})
If (feature 50 <= 1.0)
Predict: 1.0
Else (feature 50 > 1.0)
Predict: 0.0
Else (feature 11 not in {0.0})
Predict: 0.0
Else (feature 85 > 6958.4)
If (feature 5 in {0.0})
If (feature 4 in {0.0})
Predict: 3.0
Else (feature 4 not in {0.0})
Predict: 1.0
Else (feature 5 not in {0.0})
Predict: 2.0
Else (feature 51 not in {0.0})
If (feature 48 <= 148.0)
If (feature 0 in {0.0})
If (feature 6 in {0.0})
Predict: 2.0
Else (feature 6 not in {0.0})
Predict: 0.0
Else (feature 0 not in {0.0})
If (feature 50 <= 4.0)
Predict: 2.0
Else (feature 50 > 4.0)
Predict: 3.0
Else (feature 48 > 148.0)
If (feature 9 in {0.0})
If (feature 49 <= 3.0)
Predict: 2.0
Else (feature 49 > 3.0)
Predict: 0.0
Else (feature 9 not in {0.0})
If (feature 36 in {0.0})
Predict: 3.0
Else (feature 36 not in {0.0})
Predict: 2.0后記
該模型預(yù)測(cè)的平均準(zhǔn)確率為80%, 但相對(duì)之前的做法規(guī)范了很多, 對(duì)結(jié)果的解析也更加的合理, 不過如何增強(qiáng)預(yù)測(cè)的效果, 可以考慮更多的因子, 形如:電影是否有前續(xù);電影網(wǎng)站的口碑指數(shù);預(yù)告片的播放量;相關(guān)微博的閱讀數(shù);百度指數(shù)等;
以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持創(chuàng)新互聯(lián)。
