Predicting success of applications in Google Play store

V času, ko ima skoraj vsaka oseba pametni telefon, je naraslo povpraševanje po mobilnih aplikacijah. Zaradi velikega povpraševanja se je povečalo tudi število podjetij in posameznikov, ki aplikacije razvijajo. To je povzročilo izdelavo številnih aplikacij, ki jih lahko posameznik prenese iz spletnih trgovin. Zaradi velikega števila različnih aplikacij le majhen delež teh uspe. V tem diplomskem delu pokažemo, kako dobro lahko s pomočjo metod strojnega učenja na podlagi podatkov, ki jih pridobimo iz trgovine Google Play, napovemo, katere aplikacije bodo v prihodnosti uspele. Najprej se seznanimo s področjem učenja iz podatkovnih tokov. Nato pregledamo, kateri podatki o aplikacijah so nam na voljo in iz njih izpeljemo nove atribute, ki se bodo uporabili pri napovedovanju. Za napovedovanje uporabimo že implementirane metode paketa MOA. Uporabijo se metode naivni Bayes, Hoeffdingova drevesa in drevesa IADEM. Testi so se izvedli na različnih metodah, na različni velikosti učnih podatkov in na različni časovni dolžini napovedi Uspešnost napovedi metode smo ocenili s klasifikacijsko točnostjo, srednjo vrednostjo absolutne napake, relativno srednjo vrednostjo absolutne napake in oceno F1 za vsak razred. Od vseh metod se je najbolje izkazala metoda dreves IADEM.In times when almost everybody has a smartphone, a demand for mobile apps has risen. Because of the high demand, a lot of businesses and individuals have started to develop mobile apps. A big number of new mobile apps is being made available in the Google Play every day. Because of the number of different apps, only a few become popular and successful. In this thesis, we evaluate how well can we predict the success of mobile applications using the machine learning algorithms on data from Google Play. First, we overview the machine learning algorithms used for data streams. Then we describe the available data and derive the appropriate attributes. For prediction, we use already implemented methods from the MOA package: Naive Bayes, Hoeffding trees and IADEM trees are used. Methods are then tested by using a different amount of data and different prediction time lengths. The success is then measured using the classification accuracy, mean absolute error, relative mean absolute error and the F1 score for each class. The IADEM trees had the best scores from all the methods used