선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 3개의 예측 방법의 성능을 비교하고자 한다. 1,074개의 영화와 7개의 흥행 요소를 토대로 실험을 진행하였다.
- 본 연구에서는 흥행 영화를 예측하기 위해서 영화 흥행 요인들을 수집하였다. 수집된 흥행 요소를 다중회귀분석을 통해서 중요 요인들을 결정하고, 결정된 요인들을 통해서 다중회귀 분석(Multiple Regression Analysis), 의사결정트리(Decision Tree), 인공신경망(ANN, Artificial Neural Network)을 이용하여 예측을 실시하였다.
제안 방법
- [1]은 추정 모수의 사전 분포를 모호사전분포로 정의함으로써 변수들의 불확실성을 반영할 수 있고, 영화들의 이질성을 고려할 수 있는 베이지안 선택 모형을 제안하였다. 베이지안 선택 모형과 인공신경망의 비교 결과, 베이지안 선택 방법이 상업적으로 성공한 영화를 예측하는데 있어 더 우수함을 나타내었다.
- 먼저, 영화 흥행 요소들을 수집하고 수집된 요소들은 다중회귀분석을 통해서 유의수준을 만족하는 흥행 요소들을 선택한다. 그 후, 유의한 흥행 요소들만을 예측에 대한 입력값으로 고려한 영화 흥행에 대한 예측을 실시한다. 제안하는 영화 예측 방법과 연구된 영화 흥행 예측 방법들의 성능을 비교하기 위하여 정확도와 평균 제곱근오차(RMSE, Root Mean Square Error)를 사용하여 예측 결과의 성능을 평가한다.
- 하지만 각 영화를 그룹별로 분류하여 그룹간의 이질성을 고려했을 뿐 영화의 이질성을 고려하여 분류하지는 못했다. 본 논문에서는 각 영화간의 흥행요인들을 분석하고 분석된 요인들을 이용하여 다양한 예측 방법으로 실험을 진행하여 각 영화간의 이질성을 고려한다.
- 하지만, 검증된 예측 변수를 예측 방법에 적용시키지는 않았다. 본 논문에서는 검증된 유의한 예측 변수를 이용하여 다양한 예측 방법에 적용한다.
- 하지만 수집된 모든 영화 흥행 요소들 중에 예측 정확도를 저해하는 요소가 있을 것이라는 점을 고려를 하지 못했다. 본 논문에서는 다중 회귀 분석을 통해서 수집된 영화 흥행 요소들 중 유의한 요소들만을 고려하여 예측 방법에 적용한다.
- 수집된 데이터에서 흥행 요인들은 이산적인 값을 갖는 이산변수와 측정대상의 특성을 분류하기 위해 숫자를 분류하여 구분기호로 사용하기 위해 더미변수로 각 흥행요인들의 특징에 맞게 각각의 변수들을 정한다.
- 1,074개의 영화와 7개의 흥행 요소를 토대로 실험을 진행하였다. 수집된 모든 흥행요소를 고려한 결과와 회귀분석을 통해 유의한 흥행요소만을 고려하여 예측한 방법으로 나뉘어 실험하였다. 예측에 사용될 방법은 다중회귀 모형, 의사 결정 트리, 신경망을 통해서 비교하였다.
- [2]는 할리우드의 영화가 개봉하기 전에 영화의 흥행을 예측하기 위하여 데이터 마이닝 방법(인공신경망, 의사결정나무, 지원벡터머신)을 사용하였다. 예측된 결과를 통해 9가지의 카테고리로 분류하여 예측 결과를 제시하였다. 하지만 수집된 모든 영화 흥행 요소들 중에 예측 정확도를 저해하는 요소가 있을 것이라는 점을 고려를 하지 못했다.
- 표 3은 은닉층의 노드 수에 따른 정확도를 나타낸 결과이다. 은닉층의 최적의 노드를 찾기 위해 은닉층의 노드의 수를 1부터 16개까지 조정하면서 정확도가 높은 은닉층의 노드 수를 선택하였다. 그 결과, 은닉층 노드의 수가 12개일 때, 가장 높은 정확도를 나타내었다.
- 다중회귀 분석을 통해서 유의한 흥행요인들을 선택하였다. 이 흥행요인들을 이용하여 3개의 예측 방법들을 이용하여 영화 흥행을 예측하였다. 그 결과, 유의한 흥행요인들만을 고려한 영화 흥행 예측 방법에 대한 정확도가 평균 8.
대상 데이터
- 본 연구에서는 3개의 예측 방법의 성능을 비교하고자 한다. 1,074개의 영화와 7개의 흥행 요소를 토대로 실험을 진행하였다. 수집된 모든 흥행요소를 고려한 결과와 회귀분석을 통해 유의한 흥행요소만을 고려하여 예측한 방법으로 나뉘어 실험하였다.
- 본 연구에서 사용된 데이터는 2004년 1월부터 2012년 12월까지 국내에서 상영된 영화 1,074편을 대상으로 하였다. 웹사이트와 영화진흥위원회을 통해서 얻은 영화감독, 배우, 배급사, 제작사, 개봉날짜, 첫날 스크린 수, 영화 상영시간, 장르, 영화 등급, 국적을 흥행 요소들을 직접 수집하였다.
- 본 연구에서 사용된 데이터는 2004년 1월부터 2012년 12월까지 국내에서 상영된 영화 1,074편을 대상으로 하였다. 웹사이트와 영화진흥위원회을 통해서 얻은 영화감독, 배우, 배급사, 제작사, 개봉날짜, 첫날 스크린 수, 영화 상영시간, 장르, 영화 등급, 국적을 흥행 요소들을 직접 수집하였다.
데이터처리
- 본 연구에서는 다중회귀 분석, 인공 신경망, 의사결정 트리 모형을 이용하여 영화의 흥행을 예측하였다. 다중회귀 분석을 통해서 유의한 흥행요인들을 선택하였다. 이 흥행요인들을 이용하여 3개의 예측 방법들을 이용하여 영화 흥행을 예측하였다.
- 본 연구에서는 흥행 영화를 예측하기 위해서 영화 흥행 요인들을 수집하였다. 수집된 흥행 요소를 다중회귀분석을 통해서 중요 요인들을 결정하고, 결정된 요인들을 통해서 다중회귀 분석(Multiple Regression Analysis), 의사결정트리(Decision Tree), 인공신경망(ANN, Artificial Neural Network)을 이용하여 예측을 실시하였다. 예측 된 결과에 대한 정확도와 평균제곱오차를 이용하여 예측 모형을 비교 분석하였다.
- 영화 흥행 성적에 대한 수집된 영화 흥행 요인이 미치는 영향을 분석하기 위하여 식(1)을 통해 다중회귀 분석을 실시하였으며, 구체적인 분석 결과는 표 2에 나타내었다[4].
- 수집된 흥행 요소를 다중회귀분석을 통해서 중요 요인들을 결정하고, 결정된 요인들을 통해서 다중회귀 분석(Multiple Regression Analysis), 의사결정트리(Decision Tree), 인공신경망(ANN, Artificial Neural Network)을 이용하여 예측을 실시하였다. 예측 된 결과에 대한 정확도와 평균제곱오차를 이용하여 예측 모형을 비교 분석하였다.
- 수집된 모든 흥행요소를 고려한 결과와 회귀분석을 통해 유의한 흥행요소만을 고려하여 예측한 방법으로 나뉘어 실험하였다. 예측에 사용될 방법은 다중회귀 모형, 의사 결정 트리, 신경망을 통해서 비교하였다.
- 그 후, 유의한 흥행 요소들만을 예측에 대한 입력값으로 고려한 영화 흥행에 대한 예측을 실시한다. 제안하는 영화 예측 방법과 연구된 영화 흥행 예측 방법들의 성능을 비교하기 위하여 정확도와 평균 제곱근오차(RMSE, Root Mean Square Error)를 사용하여 예측 결과의 성능을 평가한다. 그 결과, 정확도는 이전의 흥행 예측 방법들보다 평균 8.
이론/모형
- 본 논문에서는 1개의 입력층과 1개의 은닉층, 1개의 출력층으로 구성된 3계층 퍼셉트론학습 알고리즘을 사용하였으며 학습방법은 역전파 학습방법을 이용하였다.
- 본 연구에서는 다중회귀 분석, 인공 신경망, 의사결정 트리 모형을 이용하여 영화의 흥행을 예측하였다. 다중회귀 분석을 통해서 유의한 흥행요인들을 선택하였다.
- 영화 흥행 예측 방법을 비교하기 위한 방법으로 인공 신경망(ANN, Artificial Neural Network)을 사용하여 예측한다. 인공신경망은 입력층(Input Layer), 출력층(Output Layer) 그리고 sigmoid 함수를 전달함수로 사용하는 은닉층(Hidden Layer)으로 이루어진 다계층 구조로 구성된다.
성능/효과
- 그 결과 ‘개봉 첫날 스크린 수’, ‘국적’, ‘제작사’, ‘배급사’, ‘배우’, ‘상영시간’이 영화 흥행에 대해 유의한 영향을 미치는 변수로 나타났다.
- 이 흥행요인들을 이용하여 3개의 예측 방법들을 이용하여 영화 흥행을 예측하였다. 그 결과, 유의한 흥행요인들만을 고려한 영화 흥행 예측 방법에 대한 정확도가 평균 8.2% 향상되었으며, 인공신경망을 이용한 영화 흥행 예측 방법이 89.6%로 가장 성능이 우수하였다.
- 은닉층의 최적의 노드를 찾기 위해 은닉층의 노드의 수를 1부터 16개까지 조정하면서 정확도가 높은 은닉층의 노드 수를 선택하였다. 그 결과, 은닉층 노드의 수가 12개일 때, 가장 높은 정확도를 나타내었다.
- 제안하는 영화 예측 방법과 연구된 영화 흥행 예측 방법들의 성능을 비교하기 위하여 정확도와 평균 제곱근오차(RMSE, Root Mean Square Error)를 사용하여 예측 결과의 성능을 평가한다. 그 결과, 정확도는 이전의 흥행 예측 방법들보다 평균 8.2% 향상되었다.
- 6%로 가장 우수한 성능을 보여주었다. 또한, 다중회귀를 사용하여 유의한 요인만을 고려한 방법이 평균적으로 정확도를 8.2% 향상시켰다.
- [1]은 추정 모수의 사전 분포를 모호사전분포로 정의함으로써 변수들의 불확실성을 반영할 수 있고, 영화들의 이질성을 고려할 수 있는 베이지안 선택 모형을 제안하였다. 베이지안 선택 모형과 인공신경망의 비교 결과, 베이지안 선택 방법이 상업적으로 성공한 영화를 예측하는데 있어 더 우수함을 나타내었다. 하지만 각 영화를 그룹별로 분류하여 그룹간의 이질성을 고려했을 뿐 영화의 이질성을 고려하여 분류하지는 못했다.
- 본 논문에서는 다중회귀 분석을 통해서 유의하다고 선정된 영화 흥행 요소들만을 고려하여 영화 흥행 예측 방법을 제안하고 기존에 연구된 예측 방법들보다 예측 정확도가 높음을 확인한다.
- 본 실험을 통해서 다중회귀를 사용하여 유의한 흥행 요소만을 입력값으로 사용한 인공신경망이 흥행 예측 방법이 정확도 89.6%로 가장 우수한 성능을 보여주었다. 또한, 다중회귀를 사용하여 유의한 요인만을 고려한 방법이 평균적으로 정확도를 8.
- [3]은 영화 흥행성과 예측 모형을 예술 영화와 상업 영화 각각에 적용하여 영화 유형별 상이한 예측 요인을 비교 분석하였다. 회귀식의 회귀계수의 차이를 통해, 스크린 수, 관객 평가, 장르는 예술 영화와 상업 영화 모두에 영향을 미치는 흥행요인으로 나타냈으며, 감독 명성, 상영등급, 전문가 평가, 배급사 영향력, 영화 제작국, 개봉 시기는 예술 영화의 흥행성과에 대해서만 유의한 예측 변수로 검증되었다. 하지만, 검증된 예측 변수를 예측 방법에 적용시키지는 않았다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.