電影營銷是提升電影票房的一個不可或缺的因素,積極的營銷策略能夠提高電影票房收入。電影在創(chuàng)作完成后需要進行完善的營銷,盡可能提高票房收入。本文從影響電影票房的營銷因素出發(fā),選取檔期、首映日票房、百度指數(shù)等八個自變量,以2014-2016年173部國產(chǎn)影片的數(shù)據(jù)為研究對象。采用隨機森林方法構建了電影票房回歸預測與分類預測模型,并對2017年12部影片的票房進行預測和分析,綜合兩種方法合理預測票房。同時分析了影響電影票房的營銷因素,為院線營銷提出了一系列建議。隨機森林是常用的分類方法,它可以運用于響應變量是分類、數(shù)值和生存變量的情形。隨機森林做回歸和分類已有了廣泛的研究,但當響應變量含有順序信息時,沒有比較完善的針對性解決方案。本文針對電影票房分類預測中響應變量含有順序信息的情況,探索性地引入基于條件推斷樹的隨機森林模型對電影票房進行分類預測。研究結果分以下幾點:1.票房的分類預測結果表明:基于條件推斷樹隨機森林模型的預測精度較傳統(tǒng)隨機森林模型預測精度高。對2017年12部影片的分類預測結果表明,基于條件推斷樹隨機森林模型在某一類型影片中的預測精度優(yōu)于傳統(tǒng)隨機森林模型。2.票房的回歸預測結果表明:傳統(tǒng)隨機森林模型比線性回歸模型預測效果好,大部分影片的預測誤差在30%以內。3.在采用傳統(tǒng)隨機森林方法建立票房預測模型的同時,給出了變量重要性的排序,結果表明首映日票房和場均人次兩個營銷因素對電影票房的影響最大,百度指數(shù)和點映票房次之,豆瓣評分和新浪微博影響不大,檔期和國產(chǎn)電影保護月的影響可以忽略不計。
【學位單位】：中國石油大學(北京)
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：J943;O212.1
【部分圖文】：

第 2 章 理論基礎隨機森林模型機森林是機器學習算法之一，該分類器最早由 Breiman[26]提出，、數(shù)據(jù)挖掘等相關領域的分類和回歸預測中，同時可以對自變序[27]。作為一種非參數(shù)的方法，傳統(tǒng)隨機森林可以解決非線性關關系的問題[28]，所以其在基因流行病學中非常受歡迎[29]。相設較多，參數(shù)估計數(shù)值不穩(wěn)定的問題，傳統(tǒng)隨機森林方法在這優(yōu)勢，具有對噪聲數(shù)據(jù)容忍性好、不會過度擬合和良好的解釋林是由多個決策樹分類器組合而成。其工作原理為：利用 boot始樣本中抽取多個樣本，對每個 bootstrap 樣本建立決策樹模型決策樹的預測，得出最終的預測結果。隨機森林流程圖如圖 2.

圖 4.1 傳統(tǒng)隨機森林參數(shù)選擇Fig. 4.1 Traditional random forest parameter selection 8 個自變量1 2 8X , X , ,X 中隨機選擇 4 個自變量。每個節(jié)點根據(jù)式（2.21）和式（2.22）求平方和，選取最優(yōu)的分裂。本文取 i 1,2, ,173， j 1,2,3,4。對于隨機選擇的四個變量，分裂點 的選取按照各分類水平依次劃分成兩個分類水平；若裂點 的選取按照定量變量值從小到大排序，然后令每個值為候不同情況下樹分裂所形成節(jié)點的平方和，選擇平方和最小的值裂直到樹的葉子節(jié)點中包含的樣本量為 5。預測樣本tx 的預測為：40011( ) ( )400t i tif x h x

圖 4.2 自變量重要性排序Fig. 4.2 Variable importance order研究中常用的票房預測模型，本節(jié)對模型，對 2017 年 12 部影片進行預型，具體模型如下式：0 1 1 2 2 10 10 + X + X ++ X+ ，Y 代表電影票房收入，自變量中電量，1 2 3X , X ,X 分別代表賀歲檔、暑期首映日票房；6X 代表點映票房；7X ；9X 代表豆瓣評分；10X 代表國產(chǎn)電影
【相似文獻】

相關期刊論文 前10條

1 沈智勇;蘇翀;周揚;沈智威;;一種面向非均衡分類的隨機森林算法[J];計算機與現(xiàn)代化;2018年12期

2 于大海;李金;羅艷虹;劉近春;張巖波;;隨機森林模型和決策樹模型在肝硬化上消化道出血預后中的應用[J];中國衛(wèi)生統(tǒng)計;2019年02期

3 胡蝶;;基于隨機森林的債券違約分析[J];當代經(jīng)濟;2018年03期

4 趙藝淞;楊昆;王保云;黎曉路;;隨機森林在城市不透水面提取中的應用研究[J];云南師范大學學報(自然科學版);2017年03期

5 吳辰文;梁靖涵;王偉;李長生;;一種順序響應的隨機森林:變量預測和選擇[J];小型微型計算機系統(tǒng);2017年08期

6 顧娟;林敏;鞠桂玲;;基于隨機森林回歸的軍械器材需求預測[J];自動化應用;2017年09期

7 劉迎春;陳梅玲;;流式大數(shù)據(jù)下隨機森林方法及應用[J];西北工業(yè)大學學報;2015年06期

8 羅超;;面向高維數(shù)據(jù)的隨機森林算法優(yōu)化探討[J];商;2016年04期

9 楊曉峰;嚴建峰;劉曉升;楊璐;;深度隨機森林在離網(wǎng)預測中的應用[J];計算機科學;2016年06期

10 張強;;隨機森林在居民購房意愿研究中的應用[J];現(xiàn)代經(jīng)濟信息;2016年13期

相關博士學位論文 前10條

1 王曉軍;基于大數(shù)據(jù)的風洞馬赫數(shù)集成建模方法的研究[D];東北大學;2016年

2 王鑫;基于隨機森林的認知網(wǎng)絡頻譜感知算法研究[D];東北大學;2016年

3 姚登舉;面向醫(yī)學數(shù)據(jù)的隨機森林特征選擇及分類方法研究[D];哈爾濱工程大學;2016年

4 黃玥;VANET信息安全問題及異常檢測技術研究[D];吉林大學;2017年

5 倪強;基于隨機前沿和隨機森林法的沿海開發(fā)區(qū)發(fā)展效率研究[D];天津大學;2011年

6 季斌;內蒙古浩布高地區(qū)多金屬礦綜合信息找礦預測研究[D];合肥工業(yè)大學;2017年

7 雷震;隨機森林及其在遙感影像處理中應用研究[D];上海交通大學;2012年

8 金超;基于隨機森林的醫(yī)學影像分割算法研究及應用[D];蘇州大學;2017年

9 李寶富;巨厚礫巖層下回采巷道底板沖擊地壓誘發(fā)機理研究[D];河南理工大學;2014年

10 趙東;基于群智能優(yōu)化的機器學習方法研究及應用[D];吉林大學;2017年

相關碩士學位論文 前10條

1 郭志旺;隨機森林和支持向量機在乳腺癌高維轉錄組數(shù)據(jù)中的應用[D];河北醫(yī)科大學;2019年

2 王藝博;潛周期時間序列建模和預測新方法探究[D];上海交通大學;2017年

3 繆琦;基于隨機森林和支持向量機的糖尿病風險預測方法研究[D];江蘇大學;2019年

4 李勛章;云中心網(wǎng)絡流量分類方法研究[D];桂林電子科技大學;2019年

5 汪娟娟;江西省精準扶貧中的貧困戶識別研究[D];江西財經(jīng)大學;2019年

6 潘夢雪;基于隨機森林的上市公司舞弊風險識別模型研究[D];杭州電子科技大學;2019年

7 王鳴飛;結直腸癌術前N分期的隨機森林預測模型的建立與驗證[D];吉林大學;2019年

8 陳云天;南昌市房價時空分布特征及驅動因素分析[D];江西師范大學;2019年

9 馬江理;現(xiàn)代服務業(yè)發(fā)展及評價研究[D];云南大學;2018年

10 董興軍;隨機森林在P2P網(wǎng)絡借貸借款人信用評估中的應用[D];遼寧大學;2019年

本文編號：2838452