新智元編譯

來源：blog.bigml.com

編譯：肖琴

【新智元導讀】自去年成功預測第89屆奧斯卡8項大獎後，機器學習和數據分析平台BigML再次公布今年的大獎預測結果。今年，利用新的Deepnet模型，BigML預測奧斯卡金像獎的最佳影片、最佳導演、最佳男主角、最佳女主角、最佳女配角和最佳男配角六大獎項，全部預測正確！

今年《水形物語》（The Shape of Water）獲得13項提名，顯然是最受歡迎的影片，但我們也看到一系列高質量的獨立作品與大作之間的激烈競爭。不過，機器學習模型可不在乎這些，因為它們不僅僅跟隨評論家的觀點。相反，它們根據過去獲獎的電影來搜索模式，然後對今年的提名進行預測。

那麼，數據來自哪裡？

數據

理論上，模型會隨著數據增加而變得更好。因此，今年我們保留了去年的所有預測數據和特徵。包括從2000年到2017年的共計1183部電影，每部電影有100多種特徵，包括：

• 電影的特點，例如持續時間，預算和流派。

• IMDB中的電影評價數據，如投票、評級和Metascore。

• 今年的20個主要電影獎項的提名和獲獎者，包括金球獎、英國電影學院獎、美國演員工會獎和評論家選擇獎。

今年數據的唯一重大變化是從IMDB中刪除了全部用戶評論，因為在去年的模型中，這些數據被證明是不重要的，需要花很多功夫獲取評論數據。

模型

像去年一樣，我們為每個獎項類別訓練一個單獨的模型。不同的一點是，今年我們使用Deepnet，這是一個深度神經網路，而不是去年使用的集成模型（ensembles）。使用BigML deepnet及其獨特的強大自動優化選項（「自動網路搜索」）是確保構建性能最佳的分類器的最簡單、最安全的方式。因為幾十個不同的網路同時在後台訓練，每個模型只需要大約30分鐘的訓練時間，但是因為最終的模型需要通過試錯來優化，仍然需要大量時間。

deepnet創建好後，我們可以很容易地檢查模型最重要的特性以及它們分別對預測的影響。例如，在預測最佳影片時，我們可以在高排名的候選里發現多個獎項，例如評論家選擇獎、在線電影電視獎、好萊塢電影獎和英國電影學院獎。為了讓DNN更易於解釋，BigML提供了一個獨特的deepnet可視化工具，即局部依賴圖（Partial Dependence Plot），用以分析各個特徵對預測的邊際影響。

我們使用2000年到2012年間的電影來訓練模型，然後使用2013年至2016年間的電影數據評估模型。在所有獎項類別中，我們得到超過0.98的ROC AUC，這意味著模型能夠連續四年(2013年至2016年)預測獲獎者，很少有錯誤。例如下方預測最佳女主角的混亂矩陣，它能準確預測出4個測試年份中的3個。

預測

接下來讓我們預測2018年的奧斯卡獲獎影片！

對於每個獎項，模型給出了獲獎者和其他提名影片預測的分數。

《水形物語》以91分被預測為最佳影片。不過模型也給其他提名影片不錯的分數，《三塊廣告牌》得到68分。

對於最佳導演獎，模型沒有任何猶豫。 吉列爾莫·德爾·托羅（ Guillermo del Toro ）得到最接近獲獎的75分，其他提名人的分數沒有接近他的。

同樣，對於最佳女主角獎項，似乎也不存在競爭。Frances McDormand得到99分，毫無疑問是最受歡迎的。其他候選人的分數遠遠落後，Margot Robbie只得到5分。

加里·奧德曼（Gary Oldman）憑藉在《黑暗時刻》中飾演的溫斯頓·丘吉爾精彩表演，以88分的成績被預測為最佳男主角得主。不過，在《請以你的名字呼喚我》（Call Me By Your Name）中飾演艾力奧的後起之秀提莫西 · 查拉梅（Timothée Chalament）得到72分。另一個強大的競爭對手是完美的職業選手丹尼爾·戴-劉易斯（Daniel Day-Lewis），他以在《魅影縫將》中飾演的角色得到51分。

在最佳女配角的5名提名中，模型偏愛艾莉森·珍妮（Allison Janney），她因為在《我，花樣女王》（I, Tonya）中扮演的角色得到64分。

最佳男配角的競爭更激烈，不過，山姆 · 洛克威爾（Sam Rockwell）在《三塊廣告牌》上的角色顯然更受歡迎，得到95分。威廉·達福（Willem Dafoe）憑藉《弗羅里達項目》（The Florida Project ）得到61分。

以上就是BigML對2018年奧斯卡金像獎的預測，它只預測了6項大獎，毫無疑問，6大獎項全中！BigML是一個簡單易用的開發機器學習模型的平台，提供API，你也可以在上面設置數據源、創建資料庫、創建模型，並得到基於數據的預測。

原文：https://blog.bigml.com/2018/03/01/predicting-the-2018-oscar-winners/

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！