Modelo de previsão da rentabilidade de um filme
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/33866 |
Resumo: | Project Work presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business Intelligence |
id |
RCAP_eb366a89999663cb5d0e6cb3da9e480f |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/33866 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
|
spelling |
Modelo de previsão da rentabilidade de um filmeFilmesData MiningRentabilidade de um filmeLucro de bilheteiraAnálise preditivaRedes neuronaisÁrvores de decisãoRegressãoProject Work presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business IntelligenceConseguir prever o lucro de um filme é cada vez mais uma necessidade emergente para os grandes estúdios mundiais da atualidade na hora da decisão do investimento relativo a uma determinada produção. Este estudo pretende prever a rentabilidade de um filme através da elaboração de um modelo preditivo, que recorre a diversas metodologias de Data Mining - redes neuronais, árvores de decisão e regressões - para obter a melhor antevisão das receitas de bilheteira. Esta análise foi feita recorrendo a dados históricos relacionados com as variáveis mais significativas para os espectadores na hora da decisão da sua visualização, selecionadas consoante o seu valor e importância para o modelo. Foi então possível reunir um conjunto relevante de informações e características cinematográficas que permitiram, à posteriori, a análise e previsão das receitas de filmes ainda não classificados. Neste modelo foram utilizadas três abordagens distintas da variável dependente (intervalar, binária e multi-classe), com o objetivo de estudar a diferença e influência preditiva que cada uma tem nos resultados da investigação. Para determinar qual a previsão estatisticamente mais correta, foram ainda utilizadas métricas distintas: erro de classificação, índice ROC e medida-F para os modelos que utilizaram a variável dependente discreta e o erro quadrático médio e erro máximo absoluto para o caso da contínua. Foi possível concluir, após este estudo, que os melhores resultados preditivos foram obtidos através das redes neuronais e que esta metodologia foi bastante superior em relação às outras abordagens. Apurou-se ainda relativamente à distinção representativa da variável dependente, que o modelo multi-classe apresentou uma taxa de erro bastante mais elevada do que as restantes, o que se justifica pelo aumento da dificuldade em prever acertadamente em nove classes distintas.Henriques, Roberto André PereiraFerreira, GonçaloRUNGalvão, Marta Sofia Proença2018-04-05T14:21:07Z2018-03-262018-03-26T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/33866TID:201894513porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-10T15:43:21ZPortal AgregadorONG |
dc.title.none.fl_str_mv |
Modelo de previsão da rentabilidade de um filme |
title |
Modelo de previsão da rentabilidade de um filme |
spellingShingle |
Modelo de previsão da rentabilidade de um filme Galvão, Marta Sofia Proença Filmes Data Mining Rentabilidade de um filme Lucro de bilheteira Análise preditiva Redes neuronais Árvores de decisão Regressão |
title_short |
Modelo de previsão da rentabilidade de um filme |
title_full |
Modelo de previsão da rentabilidade de um filme |
title_fullStr |
Modelo de previsão da rentabilidade de um filme |
title_full_unstemmed |
Modelo de previsão da rentabilidade de um filme |
title_sort |
Modelo de previsão da rentabilidade de um filme |
author |
Galvão, Marta Sofia Proença |
author_facet |
Galvão, Marta Sofia Proença |
author_role |
author |
dc.contributor.none.fl_str_mv |
Henriques, Roberto André Pereira Ferreira, Gonçalo RUN |
dc.contributor.author.fl_str_mv |
Galvão, Marta Sofia Proença |
dc.subject.por.fl_str_mv |
Filmes Data Mining Rentabilidade de um filme Lucro de bilheteira Análise preditiva Redes neuronais Árvores de decisão Regressão |
topic |
Filmes Data Mining Rentabilidade de um filme Lucro de bilheteira Análise preditiva Redes neuronais Árvores de decisão Regressão |
description |
Project Work presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business Intelligence |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-04-05T14:21:07Z 2018-03-26 2018-03-26T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10362/33866 TID:201894513 |
url |
http://hdl.handle.net/10362/33866 |
identifier_str_mv |
TID:201894513 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1777302961711480833 |