| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Datu analīzes metožu uzlabošana videospēļu komerciālo panākumu prognozēšanai, izmantojot hibrīdu mašīnmācīšanās pieeju |
| Nosaukums angļu valodā |
Enhancing Data Analysis Techniques for Predicting Video Game Commercial Success Using a Hybrid Machine Learning Model |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ilze Andersone |
| Recenzents |
Pāvels Osipovs |
| Anotācija |
Videospēļu nozare ir viena no ekonomiski nozīmīgākajām izklaides tirgus nozarēm pasaulē. Tomēr, neraugoties uz ieņēmumu pieaugumu un tehnoloģisko attīstību, videospēles komerciālās veiksmes prognozēšana joprojām ir sarežģīta, ņemot vērā pašreizējo risinājumu ierobežojumus. Pašreizējie risinājumi videospēļu pārdošanas prognozēšanai bieži izmanto tikai dažus mainīgos vai atsevišķus analītiskos modeļus, kas ierobežo prognožu precizitāti un vispārināmību.
Šajā pētījumā tiek ierosināta un pārbaudīta hibrīda salikuma ansambļa mašīnmācīšanās pieeja, lai prognozētu videospēles komerciālos panākumus pirms tās publicēšanas. No neapstrādāta datu kopuma, kas sastāvēja no 16 719 videospēļu ierakstiem laika posmā no 1980. gada līdz 2016. gadam, tika atlasīti seši pirmsizlaides un tuvu izlaides brīdim esoši raksturlielumi, kuri pēc tam tika apstrādāti, iegūstot 7976 ierakstus. Tika ieviesti trīs atsevišķi bāzes modeļi (XGBoost, lineārā regresija un Nejaušie meži), un tika izveidots hibrīda salikuma ansambļa modelis, izmantojot Nejaušo mežu un XGBoost kā bāzes mācīšanās algoritmus un lineāro regresiju kā metamācīšanās algoritmu, ar 5 apgabalu šķērsvalidācijas.
Hibrīdais salikuma ansamblis sasniedza labāko rezultātu 3 no 4 novērtēšanas rādītājiem: RMSE, MedAE un R². XGBoost nedaudz labāk veicās MAE rādītājā. Rezultāti ir saskaņoti vairākās datu apakškopās, kā to apstiprināja šķērsvalidācija, un snieguma hierarhija tiek saglabāta visās 5 daļās.
Rezultāti liecina, ka ir iespējams iegūt ticamas videospēļu pārdošanas prognozes, balstoties vienīgi uz datiem, kas iegūti pirms izlaišanas un tuvu izlaišanas brīdim, tādējādi nodrošinot praktisku pamatu lēmumu pieņemšanai par produktu portfeļa pārvaldību videospēļu nozarē pirms izlaišanas.
Bakalaura darbs sastāv no 4 nodaļām, kopumā 74 lappusēm (58 lappuses no ievada līdz secinājumiem), 26 attēliem un 77 informācijas avotiem. |
| Atslēgas vārdi |
videospēļu pārdošanas prognozēšana, hibrīdā mašīnmācīšanās, ansambļa salikšana, prognozēšana pirms izlaišanas, Random Forest, XGBoost, Lineārā Regresija |
| Atslēgas vārdi angļu valodā |
video game sales prediction, hybrid machine learning, stacking ensemble, pre-launch prediction, Random Forest, XGBoost, Linear Regression |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 22:12:21 |
