03 · Machine learning / Studium przypadku
Modelowanie popularności i gatunku Spotify
Reprodukowalny pipeline regresji i klasyfikacji z baseline’ami, inżynierią cech, walidacją i automatycznymi testami.
Problem
Oddzielić sygnał predykcyjny od atrakcyjnie brzmiącej, lecz słabo uogólniającej historii o danych muzycznych.
Mój wkład
Przygotowałem pipeline danych muzycznych: czyszczenie roku, cechę dekady, baseline’y, porównanie modeli, raportowanie metryk, figury diagnostyczne i testy. Zadania regresji popularności i klasyfikacji gatunku mają osobne modele oraz kryteria oceny.
Dwa pytania, dwie miary
Popularność jest celem liczbowym ocenianym przez RMSE. Gatunek to klasyfikacja z nierównymi klasami, więc pojedyncza miara accuracy wymaga kontekstu.
Benchmark i walidacja to różne zbiory
CatBoost: benchmark RMSE 6,52657; szybka lokalna walidacja RMSE 9,8633. Linear SVC: benchmark accuracy 0,57142; lokalna walidacja 0,5875. Nie są to wyniki jednego eksperymentu.
Bardziej złożone nie zawsze pomaga
Wariant z tekstem TF-IDF pozostał eksperymentem. Domyślny Linear SVC na cechach tabelarycznych dał lepszy odtwarzalny wynik walidacji i odpowiadał sprawdzonemu plikowi predykcji.
Dowód i interpretacja
Co rzeczywiście mówi wynik.
Raportowany benchmark RMSE 6,52657 oraz dokładność klasyfikacji 0,57142.
Wartość projektu leży także w udokumentowaniu decyzji o wyborze modelu. Wynik z benchmarku nie zastępuje walidacji, a dodatkowe cechy muszą uzasadniać swoją obecność.
Wyniki są zależne od zbioru, podziału i skali celu. Projekt dokumentuje ryzyko przeuczenia i nie jest produkcyjnym systemem rekomendacji.
Kolejny sensowny eksperyment
Rozszerzyć walidację, sprawdzić rzadkie gatunki i ograniczyć ryzyko związane z kategoriami o dużej liczbie wartości. Ten pipeline nie jest rekomendatorem muzyki ani prognozą sukcesu komercyjnego.
Opisy sprawdzone z publiczną dokumentacją projektów 17 września 2026. Metryki pochodzą z raportów projektów; eksperymenty nie były ponownie uruchamiane przy tej aktualizacji strony.