用数据分析预测奥斯卡最佳影片奖
一年一度的奥斯卡颁奖又要开始了。 2005年， 李安导演凭借《断背山》获得最佳导演奖，可惜与最佳影片奖失之交臂。 这次， 李安导演又一次携《少年派的奇幻漂流》再次冲击奥斯卡。
在一周前的金球奖， 《逃离德黑兰》爆冷击败了《林肯》和《少年派的奇幻漂流》获得最佳影片奖。 这让很多人都觉得不可思议。 虽然艺术评委的思维模式往往与大众相左（参考阅读：社会化舆情分析，你信奥斯卡还是IBM）， 但实际上数据分析仍然有可能为我们“剧透”今年的奥斯卡最佳影片奖得主。 好吧， 以下本人就试着用R分析一下吧。
奥斯卡的原始数据可以到www.appdata.com去下载这个文件， 这个文件包括了从1927年到2010年奥斯卡提名和获奖的所有数据。
有了这个原始数据集， 我们就可以开始我们的数据分析项目了。
首先确定项目的目标： 我希望能够分析从最佳影片提名中预测最后产生的获奖影片。 首先要做得是确定预测样本的特征值， 观察了一下原始数据集， 我们可以把一些肯定与最佳影片无关的奖项去掉（比如最佳动画长片， 最佳短片， 最佳外语片等）。 最后 我选择了下面这些奖项：
最佳男主角， 最佳男配角， 最佳女主角， 最佳女配角， 最佳艺术指导， 最佳摄影， 最佳服装设计， 最佳导演， 最佳影片剪辑， 最佳化妆， 最佳原创音乐， 最佳原创歌曲， 最佳混音， 最佳音效， 最佳视觉效果和最佳剧本。
其中， 奥斯卡的最佳剧本其实分最佳原创剧本和最佳改编剧本， 但是原始数据把二者合并了。 （这也是数据分析中常常会碰到的情况。 不过对我们来说影响不大）。
然后， 就是根据这些特征值， 对数据集进行整理。 这部分工作， 其实在一般的数据分析项目里， 大约占到60%的时间。 确实没有搞模型什么的有意思， 不过很多数据分析项目实施的好坏和数据整理其实有很大的关系。
我在这里主要是把特征值进行扩展， 把获得提名和获得最后奖项做为两个特征来看， 对每个奖项， 如果获得提名， 则获得提名定值为1， 否则为0。 如果该奖项没有获得提名， 则获得最后奖项的值为0 ， 如果获得提名并得奖， 则为1。 同时还需要把历年的“最佳影片”的提名和获奖数据从原始数据集中取出来。 这些工作可以用R语言来完成，见附件中的代码。 总共最后整理成了一个共有 485个观察样本， 每个样本有32个特征值的数据集。 接着， 把这485个样本进行分组， 我按照80：20原则， 把80%的样本作为训练样本组， 20%的样本作为验证预测模型的验证组。
接下来就是进行预测模型的选择。 由于我们是个分类问题， 所以可以选择分类模型。 这个数据集相对较小， 因此不同模型的差别应该不大。 这里我先选择用回归树来做分析。 用R里面的回归树的包， 可以很容易的进行决策树的构建。 最后的决策树模型的ROC是0.877. 下图是决策树的示意。
决策树的一个好处就是比较直观， 这个决策树简单来说， 就是这样进行预测判断的， 首先是判断是否获得“最佳导演奖”， 如果获得最佳导演， 则判断是否有“最佳影片剪辑提名”。 如果没有， 则获奖概率为38%， 如果有最佳影片剪辑提名， 看是否获得“最佳剧本”奖， 如果没有， 则得奖概率为63%， 如果获得了， 则继续看是否获得“最佳混音”提名。 如此类推。
如此看来， 获得奥斯卡最佳影片奖的关键是获得奥斯卡最佳导演奖。 如果没有导演奖， 那么获最佳影片奖的概率顶多就是37%。
好， 我们来看看《少年派》， 少年派获得了导演奖的提名， 而如果获得了导演奖， 那么由于它本身已经是“最佳影片剪辑”提名， 所以即便不能拿到“最佳剧本”奖， 获奖概率也能达到63%， 而如果再拿到“最佳剧本奖”， 由于已经获得“最佳混音”提名， 所以几乎就能够铁定获奖了。
而对《林肯》来说也是这样的， 因为林肯也获得了最佳导演， 最佳剪辑和最佳剧本的提名， 所以， 《少年派》和《林肯》之间的对决主要是在最佳导演的争夺上了。 至于《逃离德黑兰》， 由于没有获得最佳导演奖的提名， 所以， 它的获奖概率最多可以到37%。 当然， 这个概率也比5选1的20%的概率要高。
为了看一看各个特征值对于最终获奖的影响， 我们也可以用逻辑回归的模型看一下， 下面是逻辑回归的出来的各特征值的权重， （ROC = 0.873，和决策树差不多）。
| 最佳导演获奖 | 3.826687 |
| 最佳化妆获奖 | 3.036705 |
| 最佳音效提名 | 1.908622 |
| 最佳男主角获奖 | 1.641444 |
| 最佳服装获奖 | 1.611889 |
| 最佳剧本获奖 | 1.27472 |
| 最佳影片剪辑提名 | 0.838309 |
| 最佳原创歌曲提名 | 0.763278 |
| 最佳男配角提名 | 0.644326 |
| 最佳艺术指导获奖 | 0.558941 |
| 最佳影片剪辑获奖 | 0.471427 |
| 最佳女配角获奖 | 0.454053 |
| 最佳服装提名 | 0.383574 |
| 最佳混音获奖 | 0.343589 |
| 最佳混音提名 | 0.295055 |
| 最佳化妆提名 | 0.198427 |
| 最佳原创音乐提名 | 0.188186 |
| 最佳艺术指导提名 | 0.171621 |
| 最佳女主角获奖 | 0.108964 |
| 最佳导演提名 | 0.094558 |
| 最佳女配角提名 | 0.083959 |
| 最佳视觉效果获奖 | -0.02597 |
| 最佳男配角获奖 | -0.19262 |
| 最佳摄影获奖 | -0.32458 |
| 最佳原创音乐获奖 | -0.37605 |
| 最佳女主角提名 | -0.39106 |
| 最佳男主角提名 | -0.59084 |
| 最佳摄影提名 | -0.71286 |
| 最佳原创歌曲获奖 | -0.75752 |
| 最佳剧本提名 | -0.78589 |
| 最佳视觉效果提名 | -0.86435 |
| 最佳音效获奖 | -2.07864 |
这里面可以看到， 最佳导演获奖依然是影响最大的因素， 其次是最佳化妆奖。 有意思的是， 有些提名或者获奖反而会降低得“最佳影片奖”的概率。 比如说“最佳音效奖得奖”或者“最佳视觉效果提名”。 也可能这些是对“最佳影片”的落榜影片的“安慰奖”。
本站有一篇文章“数据可视化是科学， 也是艺术”，指出数据可视化是科学艺术和设计的结合，而我们现在做的，则是用数据分析预测艺术市场。 在我们观看奥斯卡颁奖典礼的时候， 因为最佳影片是最后一个颁奖的， 所以大家可以把决策树拿出来， 对照着前面颁奖的情况进行观看， 是不是会更有意思呢。
对数据分析爱好者来说， 我的R代码和整理过的数据集见附件（
第一时间获取面向IT决策者的独家深度资讯，敬请关注IT经理网微信号：ctociocom
除非注明，本站文章均为原创或编译，未经许可严禁转载。
相关文章：
关于作者王萌
在TMT领域具有十余年的咨询和创业经验。 目前主要关注信息安全，同时密切关注云计算、社会化媒体、移动、企业2.0等领域的技术创新和商业价值。拥有美国麻省理工学院MBA学位和清华大学经济管理学院学士学位，曾任BDA中国公司高级顾问，服务过美国高通、英特尔、中国网通、SK电讯、及沃达丰等公司。联系邮件：wangmeng@ctocio.com
