Прогнозирование успеха джазовых треков с помощью методов машинного обучения с учителем

Предсказание хитовых песен является широко изучаемой концепцией, которой все еще не хватает методологического разнообразия. За последние 20 лет тенденции в музыкальной индустрии значительно изменились, от производства и восприятия до появления новых артистов. Выручка музыкальных стриминговых сервисов, таких как Apple Music, Spotify, Deezer, Pandora, и др. составила 83% от общего дохода от музыки в США, в то время как только 9% пришлись на физические продажи. Это является многообещающей тенденцией для независимых артистов, поскольку барьеры для входа на рынок снизились. Несмотря на то, что для предсказания успеха музыки было предложено множество моделей, лишь немногие из них делали прогнозы основываясь на информации до релиза. В этой работе делается попытка заполнить пробел, исследуя предсказуемость успеха джазовых треков, определяемую как попадание в топ-чарты Billboard, полагаясь исключительно на данных, которые доступны до выпуска трека. Всего была собрана информация по 17 511 трекам. Были изучены несколько параметров: звуковые характеристики, популярность исполнителя песни, лейбл, под которым выпущена песня, а также контрольные переменные, привязанные к конкретному времени и исполнителю. Чтобы делать прогнозы, применяются различные методы машинного обучения классификации, например, логистическая регрессия, случайные леса, машина опорных векторов и K-ближайших соседей. Исходя из результатов, Support Vector Machine и Random Forests являются наиболее эффективными моделями с уровнем точности 98% и 95,3% и AUC 87,6% и 98,5% соответственно. Также обнаружено, что существует нелинейная зависимость между звуковыми характеристиками и успехом джазовых треков. Кроме того, несмотря на историческое доминирование крупных звукозаписывающих лейблов, джазовые треки, выпущенные независимыми лейблами, имеют тенденцию быть более успешными.