영화 관객수 예측 모델 실습 (feat. 데이콘 대회)

요즘 개념 정리만 많이해서 

 

실습 욕구가 땡겨 오랜만에 데이콘에 들어갔다. 

 

난이도 중급, 교육용 대회가 마감 2주 남았길래 얼른 신청하고 바로 문제를 풀어보았다!

 

첫 시작은 맛보기로 다른사람들이 공유해준 코드들에 내 사견을 곁들여 간단히 모델을 만들어 보았다.

 

 

 

 

빠르게 꼬꼬

---

 

1. 먼저 데이터를 살펴 보았다.

 

import pandas as pd
train = pd.read_csv('C:/Users/비밀/dacon/movie/movies_train.csv')
test = pd.read_csv('C:/Users/비밀/dacon/movie/movies_test.csv')
train.head(10)

 

train.info()

---

 

2. 간단한 전처리를 진행했다.

 

 

결측치를 찾아보았다.

 

train.isna().sum()

#결측치 절반이나 있어서 바로! 제거
train = train.drop(['dir_prev_bfnum'],axis = 1)
test =  test.drop(['dir_prev_bfnum'],axis = 1)
 

#제목은 예측에 필요하지 않아 제거
train = train.drop(['title'],axis= 1)
test = test.drop(['title'],axis= 1)

 

 

 

train.director.value_counts().head(10)
train = train.drop(['director'],axis = 1)
test = test.drop(['director'],axis = 1)

 

 

 

배급사 또한 다양했지만 배급사별 표본수가 많은 탑 6는 남겨두고 

나머지는 '기타'로 처리 후 각각을 count rank대로 수로 변형 시켜주었다.

 

 

 

train.distributor.value_counts().head(10)
distributor_list = train.distributor.value_counts()[:6]
def func(distributor):
    if distributor in distributor_list:
        return distributor
    else:
        return '기타'
 
train['distributor'] = train['distributor'].apply(lambda x : func(x))
test['distributor'] = test['distributor'].apply(lambda x : func(x))
train['distributor_rank'] = train.distributor.map({'CJ 엔터테인먼트' : 1, '롯데엔터테인먼트' : 2, '(주)NEW' : 3, '(주)마운틴픽쳐스' : 4, '(주)쇼박스' : 5,
                                      '인디스토리' : 6, '기타' : 7})
test['distributor_rank'] = test.distributor.map({'CJ 엔터테인먼트' : 1, '롯데엔터테인먼트' : 2, '(주)NEW' : 3, '(주)마운틴픽쳐스' : 4, '(주)쇼박스' : 5,
                                      '인디스토리' : 6, '기타' : 7})

 

 

 

 

장르도 마찬가지로 장르별 평균 관객수를 나열한 후 랭크를 먹여주었다.

 

train.groupby('genre').box_off_num.mean().sort_values()
train['genre_rank'] = train.genre.map({'뮤지컬' : 1, '다큐멘터리' : 2, '서스펜스' : 3, '애니메이션' : 4, '멜로/로맨스' : 5,
                                      '미스터리' : 6, '공포' : 7, '드라마' : 8, '코미디' : 9, 'SF' : 10, '액션' : 11, '느와르' : 12})
test['genre_rank'] = test.genre.map({'뮤지컬' : 1, '다큐멘터리' : 2, '서스펜스' : 3, '애니메이션' : 4, '멜로/로맨스' : 5,
                                      '미스터리' : 6, '공포' : 7, '드라마' : 8, '코미디' : 9, 'SF' : 10, '액션' : 11, '느와르' : 12})

 

 

 

물론 새로 만들고 나서의 기존 Column들은 제거해주었다.

 

 

train = train.drop(['distributor'],axis= 1)
train = train.drop(['genre'],axis= 1)
test = test.drop(['distributor'],axis= 1)
test = test.drop(['genre'],axis= 1)

train['년'] = train['release_time'].apply(lambda x: int(x[:4]))
train['월'] = train['release_time'].apply(lambda x: int(x[5:7]))
train =  train.drop(['release_time'],axis = 1)
 
test['년'] = test['release_time'].apply(lambda x: int(x[:4]))
test['월'] = test['release_time'].apply(lambda x: int(x[5:7]))
test =  test.drop(['release_time'],axis = 1)

train = pd.get_dummies(train)
test = pd.get_dummies(test)

---

 

3. 모델링

 

 

 

 

관객 수와 나머지 Column을 분리해주었다. 

 

(train, test로 split은 나중에... 오늘은 일단 바로)

 

train_x = train.drop(['box_off_num'],axis= 1)
train_y = train['box_off_num']

from sklearn.ensemble import RandomForestRegressor
model=RandomForestRegressor(n_estimators=100)
model.fit(train_x,train_y)
pred =model.predict(test)

 

 

---

 

 

 

 

전처리도 잘 하지 못하였고

 

사용한 모델도 제일 간단한 랜덤포레스트 모델에 하이퍼파리미터 조정도 하지 않아서 

 

점수가 높지 않은 것 같다.

 

 

다음엔 더 다양한 모델도 사용하고 

 

train, test split 및 교차검증 또한 진행하여 

 

점수를 높여봐야겠다. 

 

 

 

 

간단 test 꿑!