Određivanje popularnosti pjesama s usluge Spotify koristeći metode strojnog učenja

završni rad

• Naslov (engleski): Determining the popularity of songs on Spotify using machine learning methods
• Autor: Lara Ćorić
• Mentor: Alan Jović (mentor)
• Član povjerenstva: Alan Jović (predsjednik povjerenstva)
• Član povjerenstva: Eda Kalafatić (član povjerenstva)
• Član povjerenstva: David Dukić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-03, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Rad se bavio određivanjem popularnosti pjesama koristeći metode strojnog učenja
poput logističke regresije, stabla odluke, slučajne šume, SVM-a (Support Vector Machine), XGBoosta i Voting Classifiera. Nakon uređivanja podataka, svaka metoda je detaljno razrađena, model je izgrađen te su rezultati uspoređivani. Metode koje su izradile
najbolje modele za predikciju popularnosti pjesama su: XGBoost, slučajna šuma, SVM i
Voting Classifier, svaka s nešto preko 80% točnosti u određivanju hoće li pjesma biti hit ili
ne. Najbitnije značajke koje su utjecale na popularnost pjesama bile su speechiness, instrumentalness, loudness, danceability, valence, energy i tempo. Ove značajke su odabrane
zbog njihove važnosti u percepciji i privlačnosti pjesama prema slušateljima, odnosno
zbog značajke target koja je predstavljala je li pjesma bila hit ili non-hit. Ovaj rad može
potencijalno olakšati izradu i preporučivanje pjesama te praćenje trendova u glazbi.

Sažetak (engleski)

The study focused on determining the popularity of songs using machine learning
methods such as logistic regression, decision tree, random forest, SVM (Support Vector
Machine), XGBoost, and Voting Classifier. After preprocessing the data, each method
was analysed, models were built, and results were compared. The methods that produced the best models for predicting song popularity were: XGBoost, random forest,
SVM and Voting Classifier. The most important features influencing song popularity
were speechiness, instrumentalness, loudness, danceability, and tempo. These features
were chosen due to their significance in the perception and appeal of songs to listeners,
specifically the target feature representing whether a song was a hit or a flop. This study
can potentially help with the creation and recommendation of songs as well as tracking
trends in music.

• Ključne riječi: strojno učenje; logistička regresija; stablo odluke; slučajna šuma; SVM; XGBoost; klasifikator; popularnost pjesama; učenje ansambla
• Ključne riječi (engleski): machine learning; logistic regression; decision tree; random forest; SVM; XGBoost; classifier; song popularity; ensemble learning
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:574257
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2025-02-25 13:35:28