如何用數(shù)據(jù)分析來預(yù)測(cè)奧斯卡最佳影片獎(jiǎng)

一年一度的奧斯卡頒獎(jiǎng)又要開始了。 2005年， 李安導(dǎo)演憑借《斷背山》獲得最佳導(dǎo)演獎(jiǎng)，可惜與最佳影片獎(jiǎng)失之交臂。 這次， 李安導(dǎo)演又一次攜《少年派的奇幻漂流》再次沖擊奧斯卡。

在一周前的金球獎(jiǎng)， 《逃離德黑蘭》爆冷擊敗了《林肯》和《少年派的奇幻漂流》獲得最佳影片獎(jiǎng)。 這讓很多人都覺得不可思議。 雖然藝術(shù)評(píng)委的思維模式往往與大眾相左（參考閱讀：社會(huì)化輿情分析，你信奧斯卡還是IBM）， 但實(shí)際上數(shù)據(jù)分析仍然有可能為我們“劇透”今年的奧斯卡最佳影片獎(jiǎng)得主。 好吧， 以下本人就試著用R分析一下吧。

奧斯卡的原始數(shù)據(jù)可以到www.appdata.com去下載這個(gè)文件， 這個(gè)文件包括了從1927年到2010年奧斯卡提名和獲獎(jiǎng)的所有數(shù)據(jù)。

有了這個(gè)原始數(shù)據(jù)集， 我們就可以開始我們的數(shù)據(jù)分析項(xiàng)目了。

首先確定項(xiàng)目的目標(biāo)： 我希望能夠分析從最佳影片提名中預(yù)測(cè)最后產(chǎn)生的獲獎(jiǎng)影片。 首先要做得是確定預(yù)測(cè)樣本的特征值， 觀察了一下原始數(shù)據(jù)集， 我們可以把一些肯定與最佳影片無關(guān)的獎(jiǎng)項(xiàng)去掉（比如最佳動(dòng)畫長(zhǎng)片， 最佳短片， 最佳外語(yǔ)片等）。 最后 我選擇了下面這些獎(jiǎng)項(xiàng)：

最佳男主角， 最佳男配角， 最佳女主角， 最佳女配角， 最佳藝術(shù)指導(dǎo)， 最佳攝影， 最佳服裝設(shè)計(jì)， 最佳導(dǎo)演， 最佳影片剪輯， 最佳化妝， 最佳原創(chuàng)音樂， 最佳原創(chuàng)歌曲， 最佳混音， 最佳音效， 最佳視覺效果和最佳劇本。

其中， 奧斯卡的最佳劇本其實(shí)分最佳原創(chuàng)劇本和最佳改編劇本， 但是原始數(shù)據(jù)把二者合并了。 （這也是數(shù)據(jù)分析中常常會(huì)碰到的情況。 不過對(duì)我們來說影響不大）。

然后， 就是根據(jù)這些特征值， 對(duì)數(shù)據(jù)集進(jìn)行整理。 這部分工作， 其實(shí)在一般的數(shù)據(jù)分析項(xiàng)目里， 大約占到60%的時(shí)間。 確實(shí)沒有搞模型什么的有意思， 不過很多數(shù)據(jù)分析項(xiàng)目實(shí)施的好壞和數(shù)據(jù)整理其實(shí)有很大的關(guān)系。

我在這里主要是把特征值進(jìn)行擴(kuò)展， 把獲得提名和獲得最后獎(jiǎng)項(xiàng)做為兩個(gè)特征來看， 對(duì)每個(gè)獎(jiǎng)項(xiàng)， 如果獲得提名， 則獲得提名定值為1， 否則為0。 如果該獎(jiǎng)項(xiàng)沒有獲得提名， 則獲得最后獎(jiǎng)項(xiàng)的值為0 ， 如果獲得提名并得獎(jiǎng)， 則為1。 同時(shí)還需要把歷年的“最佳影片”的提名和獲獎(jiǎng)數(shù)據(jù)從原始數(shù)據(jù)集中取出來。 這些工作可以用R語(yǔ)言來完成，見附件中的代碼。 總共最后整理成了一個(gè)共有 485個(gè)觀察樣本， 每個(gè)樣本有32個(gè)特征值的數(shù)據(jù)集。 接著， 把這485個(gè)樣本進(jìn)行分組， 我按照80：20原則， 把80%的樣本作為訓(xùn)練樣本組， 20%的樣本作為驗(yàn)證預(yù)測(cè)模型的驗(yàn)證組。

接下來就是進(jìn)行預(yù)測(cè)模型的選擇。 由于我們是個(gè)分類問題， 所以可以選擇分類模型。 這個(gè)數(shù)據(jù)集相對(duì)較小， 因此不同模型的差別應(yīng)該不大。 這里我先選擇用回歸樹來做分析。 用R里面的回歸樹的包， 可以很容易的進(jìn)行決策樹的構(gòu)建。 最后的決策樹模型的ROC是0.877. 下圖是決策樹的示意。

決策樹的一個(gè)好處就是比較直觀， 這個(gè)決策樹簡(jiǎn)單來說， 就是這樣進(jìn)行預(yù)測(cè)判斷的， 首先是判斷是否獲得“最佳導(dǎo)演獎(jiǎng)”， 如果獲得最佳導(dǎo)演， 則判斷是否有“最佳影片剪輯提名”。 如果沒有， 則獲獎(jiǎng)概率為38%， 如果有最佳影片剪輯提名， 看是否獲得“最佳劇本”獎(jiǎng)， 如果沒有， 則得獎(jiǎng)概率為63%， 如果獲得了， 則繼續(xù)看是否獲得“最佳混音”提名。 如此類推。

如此看來， 獲得奧斯卡最佳影片獎(jiǎng)的關(guān)鍵是獲得奧斯卡最佳導(dǎo)演獎(jiǎng)。 如果沒有導(dǎo)演獎(jiǎng)， 那么獲最佳影片獎(jiǎng)的概率頂多就是37%。

好， 我們來看看《少年派》， 少年派獲得了導(dǎo)演獎(jiǎng)的提名， 而如果獲得了導(dǎo)演獎(jiǎng)， 那么由于它本身已經(jīng)是“最佳影片剪輯”提名， 所以即便不能拿到“最佳劇本”獎(jiǎng)， 獲獎(jiǎng)概率也能達(dá)到63%， 而如果再拿到“最佳劇本獎(jiǎng)”， 由于已經(jīng)獲得“最佳混音”提名， 所以幾乎就能夠鐵定獲獎(jiǎng)了。

而對(duì)《林肯》來說也是這樣的， 因?yàn)榱挚弦搏@得了最佳導(dǎo)演， 最佳剪輯和最佳劇本的提名， 所以， 《少年派》和《林肯》之間的對(duì)決主要是在最佳導(dǎo)演的爭(zhēng)奪上了。 至于《逃離德黑蘭》， 由于沒有獲得最佳導(dǎo)演獎(jiǎng)的提名， 所以， 它的獲獎(jiǎng)概率最多可以到37%。 當(dāng)然， 這個(gè)概率也比5選1的20%的概率要高。

為了看一看各個(gè)特征值對(duì)于最終獲獎(jiǎng)的影響， 我們也可以用邏輯回歸的模型看一下， 下面是邏輯回歸的出來的各特征值的權(quán)重， （ROC = 0.873，和決策樹差不多）。

這里面可以看到， 最佳導(dǎo)演獲獎(jiǎng)依然是影響最大的因素， 其次是最佳化妝獎(jiǎng)。 有意思的是， 有些提名或者獲獎(jiǎng)反而會(huì)降低得“最佳影片獎(jiǎng)”的概率。 比如說“最佳音效獎(jiǎng)得獎(jiǎng)”或者“最佳視覺效果提名”。 也可能這些是對(duì)“最佳影片”的落榜影片的“安慰獎(jiǎng)”。

“數(shù)據(jù)可視化是科學(xué)， 也是藝術(shù)”，指出數(shù)據(jù)可視化是科學(xué)藝術(shù)和設(shè)計(jì)的結(jié)合，而我們現(xiàn)在做的，則是用數(shù)據(jù)分析預(yù)測(cè)藝術(shù)市場(chǎng)。 在我們觀看奧斯卡頒獎(jiǎng)典禮的時(shí)候， 因?yàn)樽罴延捌�是最后一個(gè)頒獎(jiǎng)的， 所以大家可以把決策樹拿出來， 對(duì)照著前面頒獎(jiǎng)的情況進(jìn)行觀看， 是不是會(huì)更有意思呢。

對(duì)數(shù)據(jù)分析愛好者來說， 我的R代碼和整理過的數(shù)據(jù)集見附件（請(qǐng)登錄下載）， 讀者也可以自己研究一下， 也許還能發(fā)現(xiàn)更好的模型。 或者還可以把金球獎(jiǎng)的數(shù)據(jù)包括進(jìn)來。 看看《逃離德黑蘭》獲得金球獎(jiǎng)對(duì)它獲得奧斯卡獎(jiǎng)有多大影響。

Via:IT經(jīng)理網(wǎng)

[如何用數(shù)據(jù)分析來預(yù)測(cè)奧斯卡最佳影片獎(jiǎng)]相關(guān)文章：

1.如何用數(shù)據(jù)分析來預(yù)測(cè)奧斯卡最佳影片獎(jiǎng)

【如何用數(shù)據(jù)分析來預(yù)測(cè)奧斯卡最佳影片獎(jiǎng)】相關(guān)文章：

數(shù)據(jù)分析報(bào)告07-28

大數(shù)據(jù)分析07-20

銷售數(shù)據(jù)的分析方法07-25

大數(shù)據(jù)分析07-25

多維數(shù)據(jù)分析方法04-07

數(shù)據(jù)分析工作職責(zé)07-28

數(shù)據(jù)分析常用方法07-26

數(shù)據(jù)分析主管的職責(zé)01-13

數(shù)據(jù)分析報(bào)告【推薦】03-07

數(shù)據(jù)分析簡(jiǎn)歷模板02-17