mr(ifelse(title_type=='Feature Film', 'yes', 'no')))  
mor(ifelse(genre=='Drama', 'yes', 'no')))  
movies <- mutate(movies,ating=='R

数据探索分析

因为响应变总是audience_score，所以我们希望y轴看到所有变量的比较。 因此，我们可以使用tidyr包的collect函数将所有5个新创建的变量放到单个列中。

进行数据摘要统计。

  summarise(mean=mean(audience_scoence_score))

很明显，从剧情和摘要来看，戏剧电影往往具有比其他类型更高的分数。 feature films 电影比 non-feature电影电影的得分低得多。 然而，其他变量似乎对分数没有任何显著影响。

贝叶斯模型

现在进行贝叶斯模型的建立。

我们可以看到imdb_rating具有1.00的后验概率，这在电影工业的背景下听起来很合理。 同时critics_score和runtime也有很高的概率。

我们看到，最好的模型包括截距，运行时的imdb_rating和critics_score是与上述发现一致。

类似地，对于critics_score上的每增加1个额外得分，我们期望audience_score会增加0.075。 显然，这不像imdb_rating那样有影响力。

最后，对于电影运行时间每增加一分钟，我们预计在audience_score中将减少0.058。 这意味着一般来说，人们不喜欢冗长的电影。

预测

现在使用我们的最终模型来预测X-MEN的观众分数 。

predict(finew_movie)

该模型预测观众分数为71.5，接近真实值71。

结论

事实上，imdb_rating具有最高的后验概率，并且我们五个新创建的变量中有两个不包括在最佳模型中，这是需要改进的。 因为IMDB评级与观众分数有些同步，因此事先来预测变量是欠妥的，critics_score也是同样道理。

然而，我们确实有一些见解可能是有用的。 舞蹈电影更受欢迎; 特征/非特征电影在观众分数方面具有突出的优势; 较长的电影通常会让观众感到无聊等。