Prediction of YouTube View Count using Supervised and Ensemble Machine Learning Techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The social media platform named YouTube is an American based online video sharing and it is headquartered in California. It also provides various services to users such as watching and uploading their own videos through their laptop, mobile and PC’s. The goal of this research work is to analyze the YouTube view count for five different countries namely India, Britain, Russia, Canada and United states. The key goal is to investigate the view count of the video with influencing factors up on YouTube such as likes, dislikes, published date, trending date, Country, Category of the video and other ten variables. This has also indicated the relationship between dependent variable "view count "with all other independent variable by the regression analysis. This data analysis helps the users for better understand of their video, channel performance and reports in YouTube. Through the results of YouTube analysis, it is helpful for the users to identify the key metrics such as video content, duration of the video and liked or disliked. These metrics helps the users to make their video trending. The data is collected from the Kaggle repository, where the data will be updated on the daily basis. Various machine learning regression models such as Multiple Linear Regression (MLR), Random Forest Regressor (RFR), Decision Tree Regressor (DTR), XGBoost Regressor (XGB), Gradient Boost Regressor (GBR) has been used to predict the view count of the video. The results of each of these algorithms are noted and compared in order to determine which method is best suited for the view count prediction. The experimental results inferred that the Random Forest technique performs better than the other machine learning models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle