?p=34421

原文出处：拓端数据部落公众号

本文使用R语言帮助客户进行了贝叶斯模型预测电影评分，并对数据进行了可视化和分析。文章创建了五个新的特征变量，包括电影类型、导演获奖情况、电影票房、评论数量和影评人数量等，并分析了这些变量对电影评分的影响。通过模型预测和系数解释，发现imdb_rating具有最高的后验概率，且截距和运行时对观众评分有积极影响，而评论数量和影评人数量对观众评分的影响较小。文章还提供了对数据的探索性分析，并得出了某些见解，如舞蹈电影更受欢迎，较长的电影通常会让观众感到无聊等。

读取数据

load("e1fevies.Rdata")

数据

数据概述

数据集电影包括2016年之前发布的651个随机取样的电影，包括蕃茄和IMDb的信息。

范围

数据集为回顾性观察性研究的结果，该研究使用随机抽样方法从电影获得代表性样本。由于随机抽样方法被应用于数据收集，结果应该可以推广到目标人群。

数据预处理

创建五个新的特征变量。

mr(ifelse(title_type=='Feature Film', 'yes', 'no')))  
mor(ifelse(genre=='Drama', 'yes', 'no')))  
movies <- mutate(movies,ating=='R

数据探索分析

因为响应变总是audience_score，所以我们希望y轴看到所有变量的比较。因此，我们可以使用tidyr包的collect函数将所有5个新创建的变量放到单个列中。

movies_ed <- gath7)

然后我们创建一个箱线图。

ggplot(moviegag)) + geom_bxplot()

下载 (1).png

进行数据摘要统计。


  summarise(mean=mean(audience_scoence_score))

很明显，从剧情和摘要来看，戏剧电影往往具有比其他类型更高的分数。 feature films 电影比 non-feature电影电影的得分低得多。然而，其他变量似乎对分数没有任何显著影响。

贝叶斯模型

现在进行贝叶斯模型的建立。


model <- bam(datdienc_score ~ feature_film + drama + runtime +
......
               + best_dir_win + top200_box, prior = 'BIC', mo

让我们为每个变量输出边际后验概率。

我们可以看到imdb_rating具有1.00的后验概率，这在电影工业的背景下听起来很合理。同时critics_score和runtime也有很高的概率。

然后让我们看看模型的总结。

我们看到，最好的模型包括截距，运行时的imdb_rating和critics_score是与上述发现一致。

我们拟合最好的模型并解释它的系数。

我们看到imdb_rating具有14.95的系数，意味着对于imdb_rating的每增加1个额外的分数，我们期望audience_score会增加14.95。由于IMDB得分以0到10的衡量量表给出，并且audience_score以0到100的衡量量表给出，并且考虑截距= -32.90，这个结论是有道理的。

类似地，对于critics_score上的每增加1个额外得分，我们期望audience_score会增加0.075。显然，这不像imdb_rating那样有影响力。

最后，对于电影运行时间每增加一分钟，我们预计在audience_score中将减少0.058。这意味着一般来说，人们不喜欢冗长的电影。