@herr-rossi: Alles zugestanden.
Ich wollte darauf hinaus, das „Plattenfirmen“ schon immer potenzielle Hits ausfindig machen und damit Geld verdienen wollten. Der A&R-Manager stand in meiner kurzen Replik stellvertretend dafür.
Was mich mehr interessiert ist aber, wie erfolgreich Machine-Learning-Verfahren dabei sein können und welche Variablen (features) in die Modelle eingehen. In dem Paper Middlebrook, K.; Sheik, K. (2019): Song Hit Prediction: Predicting Billboard Hits Using Spotify Data sind das z.B. 27 features aus den Kategorien track information, artist information, album information und audio analysis.
Die beiden Machine-Learning-Verfahren, die ich in anderem Kontext selbst schon angewendet habe, schneiden unterschiedlich ab:
Random Forest (RF): accuracy 88 %
Support Vector Machine (SVM): accuracy 84 %
accuracy ist dabei der Anteil der korrekten Vorhersagen (Hit und kein Hit) an allen Vorhersagen.
Schaut man sich hingegen precision und recall als Gütemaße an, so ergibt sich ein differenzierteres Bild:
RF: precision 86 %; recall 90 %
SVM: precision 99,5 %; recall 70 %
precision gibt den Anteil der tatsächlichen Hits an den prognostizierten Hits an. recall gibt den Anteil der korrekt prognostizierten Hits an allen Hits an.
Wenn die SVM also einen Hit prognostiziert, ist das fast zu 100 % korrekt. Allerdings prognostiziert sie „konservativ“ und es entgehen ihr fast 30 % Hits. Ob das besser oder schlechte als ein Mensh ist, weiß ich nicht.
--
"I spent a lot of money on booze, birds and fast cars. The rest I just squandered." - George Best --- Dienstags und donnerstags, ab 20 Uhr, samstags ab 20.30 Uhr: Radio StoneFM