本文使用R语言进行了贝叶斯模型预测电影评分，并对数据进行了可视化和分析。
文章创建了五个新的特征变量，包括电影类型、导演获奖情况、电影票房、评论数量和影评人数量等，并分析了这些变量对电影评分的影响。
通过模型预测和系数解释，发现imdb_rating具有最高的后验概率，且截距和运行时对观众评分有积极影响，而评论数量和影评人数量对观众评分的影响较小。
文章还提供了对数据的探索性分析，并得出了某些见解，如舞蹈电影更受欢迎，较长的电影通常会让观众感到无聊等。
movies_ed <- gath7)
然后我们创建一个箱线图。
ggplot(moviegag)) + geom_bxplot()
进行数据摘要统计。
summarise(mean=mean(audience_scoence_score))
随时关注您喜欢的主题
model <- bam(datdienc_score ~ feature_film + drama + runtime +
......
+ best_dir_win + top200_box, prior = 'BIC', mo
让我们为每个变量输出边际后验概率。
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。
然后让我们看看模型的总结。
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。
我们拟合最好的模型并解释它的系数。
我们看到imdb_rating具有14.95的系数，意味着对于imdb_rating的每增加1个额外的分数，我们期望audience_score会增加14.95。 由于IMDB得分以0到10的衡量量表给出，并且audience_score以0到100的衡量量表给出，并且考虑截距= -32.90，这个结论是有道理的。
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。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
【视频】R语言支持向量回归SVR预测水位实例讲解|附代码数据
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验
数据分享|R语言Python机器学习预测4案例合集：众筹平台、机票折扣、糖尿病患者、员工满意度
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
