mmobi/Forest_Regressor_v1

🎵 Acoustic Hit Predictor v1.0

Модель машинного обучения для прогнозирования популярности музыкальных треков на основе акустических характеристик из Spotify API.

📊 Описание модели

Random Forest Regressor обученная на 114,000 треков для предсказания популярности (0-100).

Параметры модели:

• n_estimators: 50
• max_depth: 30
• min_samples_split: 5
• min_samples_leaf: 2
• max_features: 'sqrt'

📈 Метрики качества

Метрика	Train	Test	Оценка
MAE	6.40	11.44	✅ Хорошо
R²	-	0.52	⚠️ Средне
Стабильность CV	0.98%	-	✅ Отлично

Погрешность: ±11 пунктов популярности в среднем

🎯 Основные характеристики

• ⚡ Быстрый инференс: ~1ms на трек
• 📊 Признаков: 30 (оригинальные + производные)
• ⏱️ Время обучения: 67.3 минуты
• 💾 Размер: 231 MB

🔍 Feature Importance

Топ-5 факторов популярности:

1. Danceability — главный драйвер (среднее: 0.68)
2. Energy — умеренное влияние (среднее: 0.58)
3. Valence — позитивность (среднее: 0.47)
4. Loudness — технический фактор
5. Tempo — оптимально 110-130 BPM

💪 Сильные стороны

• ✅ Стабильная работа на средних значениях популярности (40-65)
• ✅ Хорошая генерализация (MAE 10.74 vs 11.44)
• ✅ Правильное понимание роли танцевальности
• ✅ Быстрая batch-обработка

⚠️ Слабые стороны

• Консервативность (редко предсказывает > 65)
• Проблемы с мега-хитами (popularity > 80)
• Систематическая недооценка в 70% случаев
• Не учитывает временной и культурный контекст

📥 Использование

import pickle
import pandas as pd

# Загрузка модели
with open('final_random_forest_model.pkl', 'rb') as f:
    model = pickle.load(f)

# Подготовка данных (пример)
features = pd.DataFrame({
    'danceability': [0.7],
    'energy': [0.8],
    'loudness': [-5.0],
    'speechiness': [0.05],
    'acousticness': [0.1],
    'instrumentalness': [0.0],
    'liveness': [0.1],
    'valence': [0.6],
    'tempo': [120.0],
    'duration_ms': [200000],
    'key': [5],
    'mode': [1],
    'time_signature': [4]
    # + производные признаки (см. feature engineering)
})

# Предсказание
popularity = model.predict(features)
print(f"Предсказанная популярность: {popularity[0]:.1f}/100")

🎯 Интерпретация результатов

Предсказанная популярность:
  0-30  → ❌ Слабый потенциал
  30-50 → ⚠️ Средний потенциал
  50-70 → ✅ Хороший потенциал
  70+   → 🎯 Высокий потенциал (модель редко так предсказывает)

✅ Подходит для:

• Независимых артистов — первичная оценка потенциала трека
• Продюсеров — сравнение разных версий композиции
• A&R менеджеров — скрининг демо-материалов
• Исследователей — анализ факторов популярности

🚫 Ограничения:

• Не предсказывает мега-хиты (80+)
• Не учитывает маркетинг и промо
• Не заменяет экспертное мнение
• Работает только на аудио-характеристиках

📚 Дополнительные ресурсы

• GitHub репозиторий: Acoustic-Hit-Predictor
• Детальный анализ: См. reports/model_analysis.md в репозитории
• Техническая спецификация: См. TECHNICAL_SPECIFICATION.md

📄 Лицензия

MIT License

👨‍💻 Автор

mmobik

• GitHub: @mmobik

📅 Версия

• Дата обучения: Декабрь 2024
• Версия: 1.0
• Статус: MVP (Minimum Viable Product)

🔄 Планируемые улучшения

1. Добавление большего количества треков с popularity > 80
2. Калибровка предсказаний для крайних значений
3. Временные признаки (год релиза, сезонность)
4. Метаданные (жанр, лейбл, популярность артиста)