Можно ли подобрать прокатные характеристики фильма (жанр, время, деятельность, возрастной рейтинг и т.п.), а также режиссера, сценариста, актеров, оператора (всю творческую группу) так, чтобы существенно повысить его результаты в прокате? Желательно заранее, до начала съемок.

Что происходит «под капотом» у Голливуда?

Мультивселенные. Комиксы. Герои фильмов: клишированные и как будто бы рождённые на одной фабрике клонов, хоть и обладающие при этом разными уникальными способностями. Почему так происходит?

Все дело в том, что Голливуд из «фабрики грез» превратился в масштабную генеративную нейросеть по производству контента. И эта сеть находится в состоянии «переобученности», поскольку начала учиться на своих же продуктах.

Блокбастеры, франшизы, ребуты и ребилты, перезагрузки и перезапуски: массовый зритель требует красивой картинки и «эпичности», а все сюжеты уже разобраны, герои многократно просклонялись, их воскрешали и умертвляли множество раз.  В попытке выжать из «пестрой коровы» еще что-нибудь и была «изобретена» та самая мультивселенная – с бесчисленными интеграциями эпох обучения нейросетевого сценарного сюжета, «россомахизацией дедпула» или «дедпулизацией россомахи».

Прокатные характеристики и творческая группа подбираются с помощью алгоритмов машинного и глубокого обучения, сценарий прогоняется через языковые модели и сравнивается с мириадами подобных, реализованных нереализованных вариантов.  Разумеется, ни один голливудский режиссёр или продюсер вам в этом не признаются (кино же – это творчество!). А те деятели старой закалки (привет... Стивен Спилберг), которые по умолчанию этим не пользуются - давно вышли в тираж и забыты киностудиями.

Подобрать данные фильма, включая его жанр, длительность, выбрать актеров и других участников творческой группы – вполне возможно. И это ненамного сложнее чем подобрать гиперпараметры ML-модели с помощью GridSearchCV, RandomizedSearchCV или Optuna.

Российский кинематограф, уже не ламповый, но все еще не настолько нейросетевой в погоне за «голливудщиной» тоже рано или поздно примется за оптимизацию прокатных характеристик и состава творческих групп и в этой связи очень бы хотелось, чтобы мы все-таки зафиксировали для него  некий ModelCheckpoint с наилучшим состоянием по производительности и метрикам, до тех пор, пока он не начнет «переобучаться» вслед за голливудской метамоделью-образцом

Разумеется, опытный режиссер с большим числом успешных проектов по сценарию маститого сценариста-ремесленника и под руководством продюсера, заинтересованного в заработке с проекта с приглашением известных и «кассовых» актеров скорее всего снимет хорошее и окупающееся в прокате кино. Кто же даст дорогу молоды и начинающим? кто будет "штрафовать модель отбора", чтобы не допустить ее переобучения? Хотя, может быть, мы зря тревожимся и в России все это не сработает?

Сработает. И вот почему....

Гипотеза применимости гиперпараметрической оптимизации проекта киноконтента

Итак, не раскрывая всех карт, докажем, что «правильный» подбор параметров фильма и состава группы является определяющим фактором успеха. Задолго до выхода в прокат и даже до начала съемок. И сделаем это на материалах российских кинофильмов.

Соответственно, если мы создадим работающую модель для прогнозирования кассового успеха на первом датасете и успешно ее апробируем на втором (у нас условия «проверки реальностью» более жесткие, поэтому незначительное падение метрик качества допустимо) – наша гипотеза будет доказана. Вдобавок мы со временем сможем посмотреть, какие именно факторы и как влияют на результаты проекта в прокате.

В реальной ситуации, когда у нас на руках очень интересный проект, который потенциально не окупается в прокате – мы можем так подобрать его «гиперпараметры»: жанр, длительность, возрастные ограничения, ведущих актеров и даже режиссера со сценаристами (или отправить в отставку продюсера и заменить его новым) - что он если не сорвет всю кассу, то хотя бы соберет два своих бюджета.

И такая «математическая эквилибристика» вполне себе оправдана – даже очень хороший режиссер, набивший руку в «хоррорах» (привет, «Пираты галактики Барракуда»), вряд ли проявит себя в мелодраме и мюзикле. То же самое справедливо для актеров, операторов, сценаристов и ведущих актеров (у последних так вообще есть свое амплуа, в пределах которого они могут эффективно работать).

Источник данных

Для проверки идеи  мы воспользуемся датасетом из данных по 1680 российским картинам. (все датасеты и коды по прогнозированию российского кинопроката публикуются в репозитории проекта, однако данный датасет будет опубликован к выходу "тяжелой" научной статьи по объективным редакционным причинам).

Предикторами у нас будут выступать следующие столбцы данных:

Прогнозируемой величиной у нас будет выступать столбец "rezult2" – двухклассовая разметка, в которой 0 – фильм не окупился в прокате, не собрал два своих бюджета и 1 – фильм окупился в прокате.

Предварительная обработка данных

Самое первое, что мы сделаем - используем LabelEncoder из sklearn.preprocessing, чтобы закодировать категориальные переменные (названия жанров и имя с фамилией участников творческой группы в числовые значения. Затем с помощью df.fillna заменим шестью девятками все пропуски и NaNв датасете.

Далее мы разделим датасет на два, первый - для обучения и тестирования моделей, второй для валидации. И здесь мы осознанно усложним задачу доказательства гипотезы : модель, естественно, не видит второй датафрейм ни во время тренировки, ни во время тестирования.

При этом данные первого датасета для обучения и тестирования перемешаны в псевдослучайном порядке без учета хронологии выхода картин, а вот второй датасет – это 180 относительно свежих кинокартин, которые вышли в прокат после ухода иностранных дистрибьютеров с российского рынка. И этот факт должен, по идее, существенно сказаться на условиях окупаемости российских кинокартин и «смешать все карты». Если модель с ним справится – наша гипотеза доказана и «гиперпараметрический подбор» характеристик и состава творческой группы возможен.

Следующая проблема, которую нам необходимо решить - несбалансированность классов. Окупившихся в прокате фильмов примерно в 10 раз меньше, чем провалившихся. Здесь мы попробуем три методики выравнивания:

Увеличение выборки с использованием библиотеки imbalanced-learn, а именно: RandomOverSampler.

Синтетическое генерирование данных - SMOTE.

ADASYN, работающий аналогично SMOTE, но с добавлением адаптивности. Он уделяет больше внимания классам, которые более затруднительны для классификации, генерируя больше синтетических примеров для них.

Во всех случаях мы будем сэмплировать только x_train, y_train

x_test и y_test - остаются без изменений, с текущей пропорцией классов.

Погружение в данные

На первом этапе мы постараемся использовать основные ансамблевые модели машинного обучения в их базовой конфигурации. Почему именно ансамбли? - вот в прошлой публикации мы выяснили, что именно ансамблевые модели дают хороший результат. Поэтому не размениваемся на базовые алгоритмы.

# Создаем модели
models = {
    'AdaBoost': AdaBoostClassifier(random_state = 42),
    'Bagging': BaggingClassifier(random_state = 42),
    'ExtraTrees': ExtraTreesClassifier(random_state = 42),
    'GradientBoosting': GradientBoostingClassifier(random_state = 42),
    'RandomForest': RandomForestClassifier(random_state = 42),
    'Stacking': StackingClassifier(estimators=[('lr', LogisticRegression(random_state = 42)), ('rf', RandomForestClassifier(random_state = 42))]),
    'Voting': VotingClassifier(estimators=[('lr', LogisticRegression(random_state = 42)), ('rf', RandomForestClassifier(random_state = 42))]),
    'HistGradientBoosting': HistGradientBoostingClassifier(random_state = 42),
    'CatBoost': CatBoostClassifier(verbose=0,random_state = 42)
}

# Обучаем модели на базовых настройках и делаем предсказания
predictions = {}
for name, model in models.items():
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    predictions[name] = y_pred

# Создаем словарь для метрик
metrics = {
    'Accuracy': accuracy_score,
    'Precision': precision_score,
    'Recall': recall_score,
    'F1_score': f1_score,
    }

# Вычисляем метрики для каждой модели
results = {}
for name, y_pred in predictions.items():
    results[name] = [metric(y_test, y_pred) for metric in metrics.values()]

# Выводим сравнительную таблицу с метриками
print("Метрики для различных моделей:")
print("{:<20} {:<10} {:<10} {:<10} {:<10} ".format("Модель", "Accuracy", "Precision", "Recall", "F1_score"))
for name, metrics in results.items():
    print("{:<20} {:<10.4f} {:<10.4f} {:<10.4f} {:<10.4f} ".format(name, *metrics))

Мы экспериментировали с разными механизмами выравнивания баланса классов. Ниже приведена табличка с данными для RandomOverSampler

В спойлере - таблички производительности моделей на выровненных классах с помощью SMOTE и ADASYN, а также на базовом датасете, в котором не производилась балансировка классов

Скрытый текст

Скрытый текст

Как мы видим, балансировка классов не очень-то улучшает производительность моделей. Разумеется можно попробовать поэкспериментировать со Stacking и Voting и их вложениями-алгоритмами, однако остановимся на на двух ансамблях, показавших неплохие результаты по метрике recall (в большей мере нас интересуют именно успешные проекты) и общей точностиHistGradientBoostingClassifier и AdaBoostClassifier .

Подбор гиперпараметров моделей

Далее мы попробуем подобрать гиперпараметры этих моделей, чтобы повысить их качество. При этом мы пойдем двумя путями: AdaBoost мы будем совершенствовать под "отклик" и идентификацию успешных проектов, а HistGradientBoosting у нас будет отвечать за общую accuracy.

# Определяем модель
model = HistGradientBoostingClassifier(random_state=42)

# Задаем параметры для подбора
param_distributions = {
    'max_iter': np.arange(500, 1301, 50),      # Количество итераций
    'max_depth': np.arange(4, 10),               # Глубина деревьев
    'learning_rate': np.linspace(0.01, 0.3, 10), # Темп обучения
    'l2_regularization': np.logspace(-1, 1, 5)  # L2-регуляризация
}

# Настраиваем RandomizedSearchCV
random_search = RandomizedSearchCV(
    model,
    param_distributions,
    n_iter=50,  # Число проб
    scoring='accuracy',  # Оценка качества
    cv=5,  # Кросс-валидация
    random_state=42,
    n_jobs=-1  # Используем все доступные ядра
)

# Запускаем поиск
random_search.fit(X, y)

# Получаем лучшие параметры и результат
print("Лучшие параметры:", random_search.best_params_)
print("Лучший результат:", random_search.best_score_)

# Определяем сетку поиска гиперпараметров
param_distributions = {
    'n_estimators': [100, 120, 130, 140, 150, 160],
    'learning_rate': [1.0, 0.1,0.01],
    'algorithm': ['SAMME']
}

# Создаем экземпляр модели с пустыми параметрами
model = AdaBoostClassifier(random_state=42)
# Создаем экземпляр RandomizedSearchCV с моделью и сеткой поиска
random_search = RandomizedSearchCV(model, param_distributions, n_iter=10, cv=3, scoring='recall', verbose=0)
random_search.fit(X_train, y_train)
# Выводим результаты
print("Лучшие параметры:", random_search.best_params_)

В результате плясок с бубнами мы получили две модели с подобранными гиперпараметрами:

model = AdaBoostClassifier(n_estimators = 120,
                           learning_rate =0.01, algorithm= 'SAMME', random_state=42)

model_X = HistGradientBoostingClassifier(max_iter = 1200, max_depth = 6,
                                         learning_rate = 0.2677777777777778,
                                         l2_regularization =  1.0, random_state = 42)

Оценим две модели по их производительности, еще раз отметим, что у каждой из них - своя епархия. И в отношении AdaBoost мы идем на осознанную жертву, "выкручивая" алгоритм именно под выявление положительного класса и жертвуя всеми остальными.

Таблица 1. Метрики AdaBoostClassifier.

Таблица 2. Метрики HistGradientBoostingClassifier

Казалось бы, HistGradientBoostingClassifier по всем параметрам делает AdaBoostClassifier за исключением одного: нам нужны только успешные в прокате фильмы! Причем определенные достаточно точно.

Как мы видим на картинках ниже , AdaBoost очень точно выцепила 40 успешных кинокартин. В одной, правда, ошиблась. В отличие от HistGradientBoosting , у которого чувствительность все же ниже, 20 к 21

Итоговый эксперимент

Используем валидационый датасет из 180 кинокартин для оценки метрик двух полученных моделей. Напомним, что модели к нему не имели доступа, ни на этапе тренинга, ни на этапе тестирования, какая-либо утечка данных исключена. Кинокартины новые, указаны в хронологическом порядке (тестовые и тренинговые данные - перемешаны). Единственное что у них есть общее - это актеры, режиссеры, сценаристы, продюсеры, операторы, монтажеры, художники-постановщики - категориальные переменные, закодированные одинаковым образом, с уникальным номером для каждой персоналии.

Смотрим на результат

И здесь нас поджидает сюрприз: модель верно определила все 15 успешных фильмов в прокате (с другим классом - полный "расколбас", как и на тренинговых данных). Разумеется все другие метрики у нас не на высоте. За общую точность у нас отвечает другой алгоритм HistGradientBoosting - вот его его метрики:

Выводы

Итак, на валидационной выборке мы получили практически такие же как и на тестовой выборке метрики качества. На практике это означает, что если бы мы вложились в 15 предварительно отобранных из 180 кинофильмов, то получили бы нехилую прибыль в X3-X4 от бюджета проектов или 200-300% годовых. И все потому что инвестиции шли бы в конкретных людей. В России есть примерно два десятка режиссеров, которые при правильном сочетании "гиперпараметров" картины, работая в своих жанрах получают стабильный результат. Таким же образом определяются "честные" продюсеры, которые зарабатывают не с бюджета, а с результатов проката, такие же "кассовые" актеры, операторы, сценаристы и другие члены творческой группы.

Небольшое замечание: пока мы проиллюстрировали только общий подход. Для по-настоящему точного прогноза окупаемости кинофильма, отбора прибыльных проектов из всего вороха представленных необходимо несколько ансамблевых моделей с разными настройками гиперпараметров — под «точность», «правильность», «чувствительность» или «отклик». такая большая условная «метамодель».

В одном случае расчеты должны идти через категориальные переменные, в другом — через исторические данные проката (у каждого жанра есть своя история свои коэффициенты, у каждого режиссера, сценариста, актера — есть свои средние коэффициенты по сборам, просмотрам, сборам на экран и так далее).

Тем не менее, основной тезис доказан, идея возможности отбора кинокартин и подбора их гиперпараметров проиллюстрирована на простейшем примере. Всем хороших кинофильмов в ленту!