YouTube社群數據大解密
影片流行度關鍵因素分析與預測模型評估
工作代號:ZU
姓名:1091618 施羿亘
1091619 王子珊
1091630 黃沛萱
輔導老師:楊錦生
將爬取的資料集進行資料處理後，利用統計檢定分析及人工智慧的機器學習技術，辨識會影響影片熱門度的屬性判別及預測分析：
圖1. 為研究計畫圖，首先挑選了不同類別的主題內容，並對這些主題進行訂閱人數的分類。隨後，進行了對這些影片的資料收集，並將所獲得的資訊進行處理，轉化為可供進一步分析的形式。透過引入區別機制，我們將這些影片熱門度分為高（H）、中（M）、低（L）三個不同的階級。最 終，我們進行統計分析和機器學習，以深入瞭解不同主題類別中各個訂閱人數階級之間的關聯性，並揭示潛在的趨勢和模式，為後續研究提供重要參考。
1.目標確認
NoxInfluencer YouTube網紅排行榜的數據排名，挑選六大頻道類型中由高至低的五個頻道。
.png)
圖. 為在教育類的類別下，台灣地區粉絲訂閱數前百大YouTuber排行榜。
2.資料獲取
使用Python的Requests庫和YouTube API，替換相應的API金鑰和影片ID，獲取需要的YouTube頻道影片數據，如標題、觀看次數、按讚數和留言數等…。
3.資料清洗
處理缺失值、重複數據或不必要的信息，以確保分析所使用的數據質量高並符合需求。
4.資料整理
特徵提取、轉換格式、排序等步驟，以便更有效地進行後續的預測分析。
5.機器學習
使用WEKA工具進行機器學習分析，建立預測模型，探索YouTube流行趨勢的相關特徵和模式，以提升預測準確度。
6.模型測試
7.模型選擇
在模型測試的基礎上，模型選擇是預測分析過程中的重要步驟。這一階段涉及使用不同機器學習算法，如決策樹、支持向量機、隨機森林等，建立預測模型，並通過比較它們的性能來選擇最適合的模型。首先， 透過評估指標如準確度、精確度和召回率，我們比較了各個模型在模型測試階段的表現。考慮了模型的預測能力、泛化能力和適應性，以確定哪個模型在解決YouTube流行趨勢預測問題上表現最佳。
8.統計分析
-敘述統計與ANOVA分析連續值
在進行統計分析時，首先利用連續值敘述統計方法（如平均值、標準差、中位數等），深入描述單一連續數據集的中心趨勢和變異情況。接著，若有多個組別，可透過ANOVA（變異數分析）來比較組別間的平均值是否存在統計上的差異，並評估不同因素對這些差異的影響。最後，針對結果進行解釋，以全面了解數據特性並辨別可能存在的組別差異。這樣的統計分析流程有助於深入挖掘數據的含義並作出相應的推斷。
-敘述統計與卡方檢定分析類別值
在統計學中，敘述統計和卡方檢定分別擁有不同的功能。敘述統計利用平均值、標準差等統計量，旨在描述和總結數據的基本特徵，包括中心趨勢和分散度。卡方檢 定則是一種統計檢定方法，專注於評估觀察值和期望值之間的差異，特別適用於分類數據的分析，包括卡方獨立性檢定和卡方適合度檢定。兩者在統計分析中各司其職，敘述統計用於數據描述，卡方檢定則用於檢驗統計上的差異，以支援不同的分析目的和階段。
將模型應用於獨立的測試數據集，以評估其預測性能。透過比較模型預測值與實際觀測值之間的差異，可以使用不同的評估指標（如準確度、精確度、召回率等）來評估模型的效果。此階段有助 於確認模型是否能夠泛化到新的數據，並指導進一步的調整和優化。模型測試的結果將提供對模型性能的洞察，並支援對預測分析的信心程度。
9.洞察結論
透過目標確定、資料獲取 、清洗、整理，以及機器學習建模和模型測試等階段的分析流程，我們成功地進行了YouTube流行趨勢的預測分析。在模型載入後，我們進一步進行了描述分析，包括對連續值的敘述統計和ANOVA分析，以及對類別值的敘述統計和卡方檢定分析。這些分析方法不僅深入挖掘了數據的含義，還辨別了可能存在的組別差異。這使我們能夠從不同角度全面了解YouTube流行趨勢，為相應的決策提供了豐富的洞察。這樣的綜合分析流程不僅支援了對預測模型的信心程度，也為未來的調整和優化提供了指導。最終，這些分析結果為制定有效的YouTube內容策略和增加觀眾吸引力提供了實際可行的建議。