Для зрителей

Рейтинг фильма ещё до выхода

Vanga появилась как мой практический эксперимент во время изучения машинного обучения. Я не продаю её и не распространяю как отдельный продукт: оставил модель работать на сайте, чтобы любой любитель кино мог поиграть с прогнозом.

Кому интересно

Не только разработчикам — прежде всего любителям кино

Это не сервис для продажи и не коммерческий SaaS. Vanga остаётся моим ML-экспериментом, который можно открыть перед премьерой, ввести известные данные о фильме и просто сравнить ожидания с прогнозом модели.

Ждёте премьеру

Можно ввести известные параметры будущего фильма и получить ориентировочный прогноз до выхода.

Любите кино и рейтинги

Интересно сравнить ожидания, режиссёров, актёрские составы и жанры на одной модели.

Просто хотите проверить нейросеть

Демо открыто для экспериментов: попробуйте известный фильм или ещё не вышедшую премьеру.

Как работает

От параметров фильма до прогноза рейтинга

Никакой магии: это статистическая ML-модель. Она не «смотрит» фильм заранее, а оценивает возможный рейтинг по историческим закономерностям и данным, известным до релиза.

01

Вы задаёте фильм

Название, режиссёра, сценариста, год, длительность, жанры и до пяти актёров.

02

Модель смотрит на историю

Используются IMDb-данные и temporal-признаки по режиссёру, сценаристу, актёрам и другим параметрам.

03

CatBoost строит прогноз

Модель оценивает ожидаемый рейтинг и возвращает числовой результат по шкале до 10.

04

Показывается объяснение

Демо выводит основные признаки, которые сильнее всего повлияли на конкретный прогноз.

Без «магии нейросети»

Откуда берётся прогноз и почему модель не должна подсматривать в будущее

На отдельной странице разобраны IMDb datasets, temporal holdout, признаки режиссёра, сценариста и актёров, SHAP, диапазон ошибки и правила публикации нового поколения модели.

Открыть методологию →

Почему появился проект

Практика машинного обучения, которую я решил не прятать в ноутбуке

Проект начался как способ разобраться не только в теории ML, но и во всём практическом цикле: подготовке датасета, feature engineering, temporal validation, обучении CatBoost, публикации артефакта, API и безопасном retrain на небольшом сервере.

В итоге получился живой проект: модель обучается отдельно, публикуется атомарно, работает через локальный API и остаётся доступной посетителям сайта. Я могу дальше улучшать её ради интереса, а посетители — проверять будущие премьеры и спорить с прогнозом.

Куда можно развивать

Сделать прогноз интереснее и честнее

Это эксперимент без обещаний «угадать IMDb». Цель — постепенно улучшать качество именно для фильмов, рейтинг которых ещё неизвестен, и понятнее показывать границы прогноза.

Больше данных

Расширять исторические признаки и аккуратно добавлять внешние источники без утечки информации из будущего.

Лучше калибровка

Сравнивать версии модели на temporal holdout и улучшать качество именно для будущих релизов.

Неопределённость

Показывать не только одно число, но и диапазон уверенности прогноза.

Больше объяснений

Делать вклад признаков понятнее обычному зрителю, а не только разработчику.

Фильм ещё не вышел?Посмотрите, какой рейтинг он может получить.