Empfohlen
Weitere ähnliche Inhalte
Empfohlen
Empfohlen (20)
problemsolved.key
- 2. アウトライン
- 3. 背景 目的 アウトライン アプローチ 研究内容 まとめ
- 4. 背景 目的 アウトライン アプローチ 研究内容 まとめ
- 5. 背景 音楽不況 4
- 6. CDの売上枚数 シングル アルバム 400,000,000 300,000,000 枚数 200,000,000 100,000,000 0 19971998 2007 20092010 大幅に減少
- 7. 音楽不況 売れ続けるアーティスト −いきものがかり アルバム「いきものばかり」132万枚 −西野カナ アルバム「to LOVE」71万枚 −FUNKY MONKEY BABYS アルバム「BEST」55万枚
- 10. 背景 目的 アウトライン アプローチ 研究内容 まとめ
- 11. 目的 共感する歌詞 若者が 共感しない歌詞 を分類するモデルを構築しよう
- 12. 背景 目的 アウトライン アプローチ 研究内容 まとめ
- 14. モデルの構築 randomForest法 樹木モデルの集団学習により 高精度の分類・予測を行う メリット 精度の高さ、扱える説明変数の多さ
- 15. 背景 目的 アウトライン アプローチ 研究内容 まとめ
- 17. 訓練データを集める 「うたまっぷ」から歌詞データを入手 西野カナ、いきものがかり、 正例 FUNKY MONKEY BABYS [自分が知っているあんまり売れてない歌手] 負例 andymori、NonaReeves、クラムボン、 星野源、清竜人 ※無作為に選択
- 21. Rのコード > data <- read.csv(file = "data.csv") #データをRに読み込む > ndata <- nrow(data) #データの行 > ridx <- sample(ndata,ndata*0.5) #データを2分割する > data.learn <- data[ridx,] #訓練用 > data.test <- data[-ridx,] #判定用 > forest <- randomForest(artist~.,data = data.learn) #randomForestでモデル構築 > pred.forest <- predict(forest,newdata = data.test,type = "class") #実際に分類
- 22. 精度 > table(pred.forest,data.test[,1]) 実際 正例 負例 正例 69 21 予測 負例 4 93 黄色いセルが正しく分類 正解率=87％!!
- 23. 使い方 判別したい曲のデータを入れる > predict(forest,newdata = test,type = "class") 1 2 positive example negative example 1行目:若者が共感する歌詞 2行目:若者が共感しない歌詞
- 24. 背景 目的 アウトライン アプローチ 研究内容 まとめ
- 25. まとめ モデルが構築できた!! 売り出す前の歌詞をモデルにかければ 若者が共感する歌詞であるかどうかがわかる つまりその曲が売れるかどうか判別可能!!? 秋元康も夢じゃない!?
- 26. 参考資料 ランダムフォレスト法による文章の書き手の同定 (金 明哲,村上 征勝) はじめてでもわかるrandomForest入門 (hamada koichi) Rによるtwitterテキストマイニング (AntiBaysian)
- 27. ご清聴ありがとうございました
- 28. 使用したソフト KH CORDER テキストマイニング Lyrics Master 歌詞データの収集 txtjoin15 歌詞データの編集 Speeeeed
- 30. 関連研究 randomForest法による文章の書き手の同定 (金・村上,2007) randomForestを用いて 10人が書いた200編の小説の筆者を予測 randomForest法が持つ高精度の予測能力を証明
- 33. 若者の興味 以前 現在 ジャンル 市場の多様化 音楽性 完成度 共感
Hinweis der Redaktion
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n
- \n