基于集成学习的电影票房预测

文化产业高速发展的今天,电影产业也随之高速发展。电影票房是衡量电影成功与否的关键指标,对电影票房的精准预测能帮助影院排片、降低投资风险。针对传统电影票房预测模型精确度不高的问题,本文提出了一种基于对测试集加权的stacking算法的集成学习模型。首先选取了XGBoost、LightGBM、CatBoost、支持向量回归(Support Vector Regression)、随机森林(Random Forest)5个算法分别建立了基模型;然后在对五个基模型集成时,根据交叉验证下不同折数的验证集的预测精度差异对测试集的预测结果进行加权,利用kaggle提供的9399条TMDB票房数据进行实例分析和验证,该算法最终在Kaggle上的得分为1.6745,在1395支队伍中排名第17,排名高于传统票房预测算法。