如何用資料分析來預測奧斯卡最佳影片獎

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

在一週前的金球獎， 《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。 這讓很多人都覺得不可思議。 雖然藝術評委的思維模式往往與大眾相左（參考閱讀：社會化輿情分析，你信奧斯卡還是IBM）， 但實際上資料分析仍然有可能為我們“劇透”今年的奧斯卡最佳影片獎得主。 好吧， 以下本人就試著用R分析一下吧。

奧斯卡的原始資料可以到去下載這個檔案， 這個檔案包括了從1927年到2010年奧斯卡提名和獲獎的所有資料。

有了這個原始資料集， 我們就可以開始我們的資料分析專案了。

首先確定專案的目標： 我希望能夠分析從最佳影片提名中預測最後產生的獲獎影片。 首先要做得是確定預測樣本的特徵值， 觀察了一下原始資料集， 我們可以把一些肯定與最佳影片無關的獎項去掉（比如最佳動畫長片， 最佳短片， 最佳外語片等）。 最後 我選擇了下面這些獎項：

最佳男主角， 最佳男配角， 最佳女主角， 最佳女配角， 最佳藝術指導， 最佳攝影， 最佳服裝設計， 最佳導演， 最佳影片剪輯， 最佳化妝， 最佳原創音樂， 最佳原創歌曲， 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分最佳原創劇本和最佳改編劇本， 但是原始資料把二者合併了。 （這也是資料分析中常常會碰到的情況。 不過對我們來說影響不大）。

然後， 就是根據這些特徵值， 對資料集進行整理。 這部分工作， 其實在一般的資料分析專案裡， 大約佔到60%的時間。 確實沒有搞模型什麼的有意思， 不過很多資料分析專案實施的好壞和資料整理其實有很大的關係。

我在這裡主要是把特徵值進行擴充套件， 把獲得提名和獲得最後獎項做為兩個特徵來看， 對每個獎項， 如果獲得提名， 則獲得提名定值為1， 否則為0。 如果該獎項沒有獲得提名， 則獲得最後獎項的值為0 ， 如果獲得提名並得獎， 則為1。 同時還需要把歷年的“最佳影片”的提名和獲獎資料從原始資料集中取出來。 這些工作可以用R語言來完成，見附件中的程式碼。 總共最後整理成了一個共有 485個觀察樣本， 每個樣本有32個特徵值的資料集。 接著， 把這485個樣本進行分組， 我按照80：20原則， 把80%的樣本作為訓練樣本組， 20%的樣本作為驗證預測模型的驗證組。

接下來就是進行預測模型的選擇。 由於我們是個分類問題， 所以可以選擇分類模型。 這個資料集相對較小， 因此不同模型的差別應該不大。 這裡我先選擇用迴歸樹來做分析。 用R裡面的迴歸樹的包， 可以很容易的進行決策樹的構建。 最後的決策樹模型的ROC是0.877. 下圖是決策樹的示意。

決策樹的一個好處就是比較直觀， 這個決策樹簡單來說， 就是這樣進行預測判斷的， 首先是判斷是否獲得“最佳導演獎”， 如果獲得最佳導演， 則判斷是否有“最佳影片剪輯提名”。 如果沒有， 則獲獎概率為38%， 如果有最佳影片剪輯提名， 看是否獲得“最佳劇本”獎， 如果沒有， 則得獎概率為63%， 如果獲得了， 則繼續看是否獲得“最佳混音”提名。 如此類推。

如此看來， 獲得奧斯卡最佳影片獎的關鍵是獲得奧斯卡最佳導演獎。 如果沒有導演獎， 那麼獲最佳影片獎的概率頂多就是37%。

好， 我們來看看《少年派》， 少年派獲得了導演獎的提名， 而如果獲得了導演獎， 那麼由於它本身已經是“最佳影片剪輯”提名， 所以即便不能拿到“最佳劇本”獎， 獲獎概率也能達到63%， 而如果再拿到“最佳劇本獎”， 由於已經獲得“最佳混音”提名， 所以幾乎就能夠鐵定獲獎了。

而對《林肯》來說也是這樣的， 因為林肯也獲得了最佳導演， 最佳剪輯和最佳劇本的提名， 所以， 《少年派》和《林肯》之間的`對決主要是在最佳導演的爭奪上了。 至於《逃離德黑蘭》， 由於沒有獲得最佳導演獎的提名， 所以， 它的獲獎概率最多可以到37%。 當然， 這個概率也比5選1的20%的概率要高。

為了看一看各個特徵值對於最終獲獎的影響， 我們也可以用邏輯迴歸的模型看一下， 下面是邏輯迴歸的出來的各特徵值的權重， （ROC = 0.873，和決策樹差不多）。

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

“資料視覺化是科學， 也是藝術”，指出資料視覺化是科學藝術和設計的結合，而我們現在做的，則是用資料分析預測藝術市場。 在我們觀看奧斯卡頒獎典禮的時候， 因為最佳影片是最後一個頒獎的， 所以大家可以把決策樹拿出來， 對照著前面頒獎的情況進行觀看， 是不是會更有意思呢。

對資料分析愛好者來說， 我的R程式碼和整理過的資料集見附件（請登入下載）， 讀者也可以自己研究一下， 也許還能發現更好的模型。 或者還可以把金球獎的資料包括進來。 看看《逃離德黑蘭》獲得金球獎對它獲得奧斯卡獎有多大影響。

Via:IT經理網