Cette fois, j'aimerais utiliser VARISTA pour générer un modèle qui prédit les ventes de logiciels de jeux. J'ai essayé de construire un modèle de prédiction avec VARISTA en me référant à l'article suivant du Codexa. L'article utilise AWS SageMaker, mais je vais l'essayer avec VARISTA.

J'ai essayé de prédire les ventes de logiciels de jeux avec XGBoost [bloc-notes Amazon SageMaker + formation de modèles + hébergement de modèles]

Cependant, j'ai dû écrire du code en formatant les données, donc je le fais avec Google Colabratory. (Pour le moment, Python est un niveau de connaissance qui a été mordu.)

Temps requis

L'opération réelle est d'environ 10 minutes L'apprentissage dure environ 1 ou 2 minutes au niveau 1 et environ 1,5 heure au niveau 3

Frais encourus

Gratuit avec le compte VARISTA Free

Télécharger les données

Téléchargez à partir de la page suivante de Kaggle. Video Game Sales with Ratings

Description des données contenues dans Kaggle

Cet ensemble de données était un grattage métacritique. Malheureusement, Metacritic ne couvre qu'un sous-ensemble de la plate-forme, il y a donc un manque de données agrégées. De plus, dans certains jeux, les variables décrites ci-dessous sont manquantes.

Critic_score - Un score critique compilé par le personnel de Metacritic. Critic_count --Le nombre de critiques utilisé pour calculer le Critic_score. User_score - Score par les abonnés Metacritic Nombre d'utilisateurs: nombre d'utilisateurs qui ont voté pour un score d'utilisateur Développeur-société de développement de jeux Évaluation - Évaluation ESRB

Gardez donc à l'esprit que les données de vente de tous les jeux sont presque ** manquantes ou non. ** **

Traitement de l'information

Cette fois, je traiterai un peu les données comme l'article auquel j'ai fait référence. Puisque nous avons défini plus d'un million de ventes comme hits, nous ajouterons une nouvelle colonne avec plus d'un million comme Oui et d'autres comme Non

Je n'aime pas vraiment créer un environnement localement, alors j'écris ce code dans Google Colaboratory pour traiter les données.

Colaboratory - Google Colab

import pandas as pd
filename = './sample_data/kaggle/Video_Games_Sales_as_at_22_Dec_2016.csv'
data = pd.read_csv(filename)                               
#Choisir la cible
# Global_Créer y basé sur des ventes de 1 (1 million) ou plus dans les ventes
data['y'] = 'no'
data.iloc[data['Global_Sales'] > 1, 'y'] = 'yes
pd.set_option('display.max_rows', 20)
#Afficher les données
data
#Enregistrez les données traitées dans un nouveau CSV
data.to_csv('sample_data/kaggle/Add_y_Column_Video_Games_Sales.csv')

Vous pouvez voir que ** y ** a été ajouté à la colonne la plus à droite.

Lorsque vous exécutez le code ci-dessus, un fichier appelé "Add_y_Column_Video_Games_Sales.csv" sera généré, alors téléchargez-le.

Télécharger des données vers VARISTA

Cliquez ici pour VARISTA

Créez un nouveau projet dans VARISTA et téléchargez le ** Add_y_Column_Video_Games_Sales.csv ** que vous avez créé. Cette fois, sélectionnez ** y ** pour la colonne à prédire.

Confirmation des données

Le contour des données est le suivant.

Le nombre de sorties semble culminer en 2008-2010.

La plupart des plates-formes sont PS2 et DS, suivies par PS3. Il semble que le smartphone ne soit pas inclus.

La répartition des genres est comme ça.

EA semble être le premier dans le nombre de livres publiés. Je suis content qu'il existe de nombreuses sociétés de jeux japonaises.

Quant à savoir si c'était un succès ou non, c'est une porte assez étroite avec 2 057/16 719 livres. J'avais l'habitude de développer des jeux sur smartphone, mais j'avais l'impression que des millions de hits avaient du capital ou de la chance. De plus, ces données sont une machine grand public, donc c'est difficile. ..

Voir la corrélation

oui (jaune): millions de hits ou plus non (bleu clair): million de coups non atteints

Les plates-formes sont NES et GB % E3% 83% A0% E3% 83% 9C% E3% 83% BC% E3% 82% A4) a un taux de succès élevé. Est-ce parce qu'il n'y avait pas beaucoup d'autres options lorsque ces machines de jeu étaient populaires? .. ??

Publisher / Developer Puisque je suis japonais, je suis toujours intéressé par Nintendo et Square Enix, mais c'est incroyable que tous les titres que j'ai développés dans ces données soient des millions de hits. Comme vous pouvez l'imaginer à partir de ce graphique, Nintendo est douée pour la planification et le développement, et peut ne pas être très douée pour vendre des jeux développés par d'autres sociétés.

La différence entre Publisher et Developer est que Publisher est la société qui vend et fournit le jeu, et Developer est la société qui développe le jeu. Le développeur peut également être l'éditeur.

Critic_score & Critic_count

User_score

Apprentissage

L'apprentissage s'est fait au ** niveau 3 **. Les réglages détaillés des paramètres ont été effectués de cette manière depuis Titanic. L'apprentissage du niveau 1 peut être complété en quelques minutes, mais avec ce réglage, il a fallu un peu plus d'une heure pour trouver un grand nombre de paramètres.

De plus, j'ai désactivé les colonnes (Unnamed0, NA_Sales, EU_Sales, JP_Sales, Other_Sales, Global_Sales) qui sont directement liées aux colonnes prédites de l'ensemble de données.

Vérifiez le résultat

Quand je vérifie le score, ça ressemble à ça.

La matrice de confusion est affichée comme ceci. En utilisant 103 cas comme données de test de vérification, il semble que 82 cas ont été touchés et 21 cas n'ont pas été touchés.

De plus, cette fois, j'étais en colère que les données d'entraînement soient biaisées. Pour cela, il n'y a pas d'autre choix que d'ajuster la quantité de données en sous-échantillonnant etc., mais j'aimerais essayer ce qui se passe réellement. Je prendrai le temps de recommencer.

Il semble que la valeur jugée Oui / Non soit également ajustée automatiquement. Dans ce cas, il semble juger OUI s'il dépasse 0,222.

Comme il n'y a pas de données de test réelles, elles doivent être créées en récupérant les données d'entraînement. Cette fois, je l'ai essayé brièvement, alors j'ai essayé de le vérifier en utilisant les données automatiquement divisées par VARISTA.

Si vous lisez cet article et avez décidé d'utiliser VARISTA, veuillez utiliser le lien ci-dessous! Gagnez 7 $ de crédits pour moi et vous! m (_ _) m

https://console.varista.ai/welcome/jamaica-draft-coach-cup-blend

Article de référence J'ai essayé de prédire les ventes de logiciels de jeux avec XGBoost [bloc-notes Amazon SageMaker + formation de modèles + hébergement de modèles]

[PYTHON] J'ai essayé de prédire les ventes de logiciels de jeux avec VARISTA en me référant à l'article du Codexa