電影營(yíng)銷是提升電影票房的一個(gè)不可或缺的因素,積極的營(yíng)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(jìn)行完善的營(yíng)銷,盡可能提高票房收入。本文從影響電影票房的營(yíng)銷因素出發(fā),選取檔期、首映日票房、百度指數(shù)等八個(gè)自變量,以2014-2016年173部國(guó)產(chǎn)影片的數(shù)據(jù)為研究對(duì)象。采用隨機(jī)森林方法構(gòu)建了電影票房回歸預(yù)測(cè)與分類預(yù)測(cè)模型,并對(duì)2017年12部影片的票房進(jìn)行預(yù)測(cè)和分析,綜合兩種方法合理預(yù)測(cè)票房。同時(shí)分析了影響電影票房的營(yíng)銷因素,為院線營(yíng)銷提出了一系列建議。隨機(jī)森林是常用的分類方法,它可以運(yùn)用于響應(yīng)變量是分類、數(shù)值和生存變量的情形。隨機(jī)森林做回歸和分類已有了廣泛的研究,但當(dāng)響應(yīng)變量含有順序信息時(shí),沒有比較完善的針對(duì)性解決方案。本文針對(duì)電影票房分類預(yù)測(cè)中響應(yīng)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(jī)森林模型對(duì)電影票房進(jìn)行分類預(yù)測(cè)。研究結(jié)果分以下幾點(diǎn):1.票房的分類預(yù)測(cè)結(jié)果表明:基于條件推斷樹隨機(jī)森林模型的預(yù)測(cè)精度較傳統(tǒng)隨機(jī)森林模型預(yù)測(cè)精度高。對(duì)2017年12部影片的分類預(yù)測(cè)結(jié)果表明,基于條件推斷樹隨機(jī)森林模型在某一類型影片中的預(yù)測(cè)精度優(yōu)于傳統(tǒng)隨機(jī)森林模型。2.票房的回歸預(yù)測(cè)結(jié)果表明:傳統(tǒng)隨機(jī)森林模型比線性回歸模型預(yù)測(cè)效果好,大部分影片的預(yù)測(cè)誤差在30%以內(nèi)。3.在采用傳統(tǒng)隨機(jī)森林方法建立票房預(yù)測(cè)模型的同時(shí),給出了變量重要性的排序,結(jié)果表明首映日票房和場(chǎng)均人次兩個(gè)營(yíng)銷因素對(duì)電影票房的影響最大,百度指數(shù)和點(diǎn)映票房次之,豆瓣評(píng)分和新浪微博影響不大,檔期和國(guó)產(chǎn)電影保護(hù)月的影響可以忽略不計(jì)。
【學(xué)位單位】：中國(guó)石油大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：J943;O212.1
【部分圖文】：

第 2 章 理論基礎(chǔ)隨機(jī)森林模型機(jī)森林是機(jī)器學(xué)習(xí)算法之一，該分類器最早由 Breiman[26]提出，、數(shù)據(jù)挖掘等相關(guān)領(lǐng)域的分類和回歸預(yù)測(cè)中，同時(shí)可以對(duì)自變序[27]。作為一種非參數(shù)的方法，傳統(tǒng)隨機(jī)森林可以解決非線性關(guān)關(guān)系的問(wèn)題[28]，所以其在基因流行病學(xué)中非常受歡迎[29]。相設(shè)較多，參數(shù)估計(jì)數(shù)值不穩(wěn)定的問(wèn)題，傳統(tǒng)隨機(jī)森林方法在這優(yōu)勢(shì)，具有對(duì)噪聲數(shù)據(jù)容忍性好、不會(huì)過(guò)度擬合和良好的解釋林是由多個(gè)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(gè)樣本，對(duì)每個(gè) bootstrap 樣本建立決策樹模型決策樹的預(yù)測(cè)，得出最終的預(yù)測(cè)結(jié)果。隨機(jī)森林流程圖如圖 2.

圖 4.1 傳統(tǒng)隨機(jī)森林參數(shù)選擇Fig. 4.1 Traditional random forest parameter selection 8 個(gè)自變量1 2 8X , X , ,X 中隨機(jī)選擇 4 個(gè)自變量。每個(gè)節(jié)點(diǎn)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(duì)于隨機(jī)選擇的四個(gè)變量，分裂點(diǎn) 的選取按照各分類水平依次劃分成兩個(gè)分類水平；若裂點(diǎn) 的選取按照定量變量值從小到大排序，然后令每個(gè)值為候不同情況下樹分裂所形成節(jié)點(diǎn)的平方和，選擇平方和最小的值裂直到樹的葉子節(jié)點(diǎn)中包含的樣本量為 5。預(yù)測(cè)樣本tx 的預(yù)測(cè)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(yù)測(cè)模型，本節(jié)對(duì)模型，對(duì) 2017 年 12 部影片進(jìn)行預(yù)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(diǎn)映票房；7X ；9X 代表豆瓣評(píng)分；10X 代表國(guó)產(chǎn)電影
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 沈智勇;蘇翀;周揚(yáng);沈智威;;一種面向非均衡分類的隨機(jī)森林算法[J];計(jì)算機(jī)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(jī)森林模型和決策樹模型在肝硬化上消化道出血預(yù)后中的應(yīng)用[J];中國(guó)衛(wèi)生統(tǒng)計(jì);2019年02期

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

4 趙藝淞;楊昆;王保云;黎曉路;;隨機(jī)森林在城市不透水面提取中的應(yīng)用研究[J];云南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年03期

5 吳辰文;梁靖涵;王偉;李長(zhǎng)生;;一種順序響應(yīng)的隨機(jī)森林:變量預(yù)測(cè)和選擇[J];小型微型計(jì)算機(jī)系統(tǒng);2017年08期

6 顧娟;林敏;鞠桂玲;;基于隨機(jī)森林回歸的軍械器材需求預(yù)測(cè)[J];自動(dòng)化應(yīng)用;2017年09期

7 劉迎春;陳梅玲;;流式大數(shù)據(jù)下隨機(jī)森林方法及應(yīng)用[J];西北工業(yè)大學(xué)學(xué)報(bào);2015年06期

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

9 楊曉峰;嚴(yán)建峰;劉曉升;楊璐;;深度隨機(jī)森林在離網(wǎng)預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2016年06期

10 張強(qiáng);;隨機(jī)森林在居民購(gòu)房意愿研究中的應(yīng)用[J];現(xiàn)代經(jīng)濟(jì)信息;2016年13期

相關(guān)博士學(xué)位論文 前10條

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

2 王鑫;基于隨機(jī)森林的認(rèn)知網(wǎng)絡(luò)頻譜感知算法研究[D];東北大學(xué);2016年

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

4 黃玥;VANET信息安全問(wèn)題及異常檢測(cè)技術(shù)研究[D];吉林大學(xué);2017年

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

6 季斌;內(nèi)蒙古浩布高地區(qū)多金屬礦綜合信息找礦預(yù)測(cè)研究[D];合肥工業(yè)大學(xué);2017年

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

8 金超;基于隨機(jī)森林的醫(yī)學(xué)影像分割算法研究及應(yīng)用[D];蘇州大學(xué);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(jī)理研究[D];河南理工大學(xué);2014年

10 趙東;基于群智能優(yōu)化的機(jī)器學(xué)習(xí)方法研究及應(yīng)用[D];吉林大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

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

2 王藝博;潛周期時(shí)間序列建模和預(yù)測(cè)新方法探究[D];上海交通大學(xué);2017年

3 繆琦;基于隨機(jī)森林和支持向量機(jī)的糖尿病風(fēng)險(xiǎn)預(yù)測(cè)方法研究[D];江蘇大學(xué);2019年

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

5 汪娟娟;江西省精準(zhǔn)扶貧中的貧困戶識(shí)別研究[D];江西財(cái)經(jīng)大學(xué);2019年

6 潘夢(mèng)雪;基于隨機(jī)森林的上市公司舞弊風(fēng)險(xiǎn)識(shí)別模型研究[D];杭州電子科技大學(xué);2019年

7 王鳴飛;結(jié)直腸癌術(shù)前N分期的隨機(jī)森林預(yù)測(cè)模型的建立與驗(yàn)證[D];吉林大學(xué);2019年

8 陳云天;南昌市房?jī)r(jià)時(shí)空分布特征及驅(qū)動(dòng)因素分析[D];江西師范大學(xué);2019年

9 馬江理;現(xiàn)代服務(wù)業(yè)發(fā)展及評(píng)價(jià)研究[D];云南大學(xué);2018年

10 董興軍;隨機(jī)森林在P2P網(wǎng)絡(luò)借貸借款人信用評(píng)估中的應(yīng)用[D];遼寧大學(xué);2019年

本文編號(hào)：2838452