Özniteliğe dayalı makine öğrenmesi ile hit şarkı tahmini

Müzik endüstrisi her yıl hit şarkıları üretmek için büyük yatırımlar yapıyor. Dijital platformlarda artan şarkı sayısı, şarkıları tahmin etmek ve ortak özelliklerini tanımlamak için öğrenme modellerinin geliştirilmesini sağlayabilir. Bu tez, çeşitli makine öğrenmesi yöntemleri kullanılarak bir şarkının hit veya hit olmayan olarak sınıflandırılmasını inceler. Spotify tarafından sağlanan temel müzikal özniteliklerin yanı sıra, müzik teorisinden yararlanılarak müzik dosyalarından elde edilen akor ve melodilere dayanan daha karmaşık öznitelikler tasarlandı. Akora dayalı öznitelikleri ton uyumuna dayalı önemli akor yürüyüşleri kullanılarak oluşturulurken, melodiye dayalı öznitelikler sezgisel bir şekilde tasarlanmıştır. Ayrıca, dans ve rock müzik türlerinden hem hit hem hit olmayan şarkılar kullanılarak yeni veri setleri oluşturulmuştur. Temel müzik özniteliklerinin akor ve melodi bazlı özniteliklerle birlikte kullanılmasıyla ortaya çıkan sonuçlar, bu özniteliklerin hit şarkı tahmin performansında iyileşmeye yol açabileceğini göstermektedir. Rock şarkıları için, Rassal Orman sınıflandırıcısı bu öznitelikleri kullanarak sonuçlarda istatistiksel olarak anlamlı bir gelişme sağlamıştır. Destek Vektör Makinesi sınıflandırıcısı ile belirli bir öznitelik kombinasyonunun kullanılmasının, hit dans şarkıları tahmininin doğruluk puanını arttırdığı gözlemlenmiştir. Ayrıca, bu çalışmada kullanılan tüm öznitelikler bu çalışmanın son bölümünde her veri kümesi için analiz edilmiştir.