曲面電影完整版觀看

⑴ 求一部電影名，開頭一個女主在一個傾斜的空間平面快要掉下去

曲面
導演: Tim Egan
編劇: Tim Egan
主演: Laura Jane Turner
類型: 驚悚
地區: 澳大利亞
語言: 英語
上映: 2016-04-16
片長: 9分51秒

⑵ 《曲面》電影解析是怎樣的

經典的Netflix式爛片。

導演到底是真的想表達什麼，還是早就猜到有人有人會在知乎上提問：「如何評價《曲面》這部短片，」然後引發討論火一把？

這也是Netflix這兩年最喜歡做的，拍一堆不知所雲，風格怪異，製作成本極低的電影。只要一部能火，給Netflix帶來的宣傳收益都是任何廣告不能比擬的。

這部電影對於很多人來說是殘酷的，沒有人不願意看到主人公到達相對最平緩的位置，同時幻想著從上方扔下來繩子，上面的人喊到「I 'll pull you up」。

再想想，即便女主能靠自己的努力脫險爬上去，然而爬上去之後呢?是否牆的另一邊是同樣的情形，他仍然無法走出這片禁錮住她的巨大的水泥牆?

平凡的人是否在努力的時候也在想，萬一我努力後仍然得不到自己想要的?那麼努力還有什麼意義?

這種不確定性慢慢的吞噬一個人的耐性，最終導致人生墜入深淵。

敘利亞的戰爭難民想必大家都看過他們的一些照片，他們的心靈我想就處在這樣的境地之中，不知道何時會死，也很難看幸福生活的曙光。

歸根結底這是部影片，這個世界就是由形形色色的平凡人構建的，你絕不會是最慘的，最慘的那個人已經在電影中掉下去了，而你還有希望，努力吧騷年。

⑶ 一個女人人困在凹槽內的壓抑微電影，開頭是海浪鏡頭

《曲面》嗶哩嗶哩可以看

⑷ 曲面電影，女主角為什麼會睡在曲面上！她是自己摔跤掉下去的嗎

那是曲屏的原因，因為觀看角度不同而形成的效果。

⑸ 電影曲面下面是什麼

電影曲面下面是深淵。
《曲面》電影解析：
主角醒來，發現自己躺在一片豎立的曲面上。她失去了所有的記憶，不知道這是哪兒，也不知道自己為什麼躺在這里，沒有人來救她。頭頂是烏雲，天空黑漆漆，外面的海也是黑漆漆的。彷彿是無人煉獄，沒有陽光，看不見腳下是什麼。抬起頭發現好像出口就在一人遠的頭頂。她不願意這樣不明不白地躺在這里，求生本能驅使她盡力去夠那個「出口」，但她每登上去一次就會掉下來一次。到底有沒有成功蹭出去呢？一旦出逃或墜落，主角會被清洗了記憶重新放回另一面。在她的眼中對面曲面牆的血手印一次比一次多，驚慌感也一次比一次加深。
影片沒有結局，只是讓觀眾自己聯想。

⑹ 怎樣解讀懸疑恐怖短片《曲面》

影片從頭到尾沒有一句台詞，卻把那種緊張體現的淋漓盡致，幾次打滑的片段女主的演技更是提升了觀感，在最後下雨時，女主拿出項鏈企圖增強摩擦不讓自己墜入深淵的絕望感更是讓觀眾有一種身臨其境。雖然整部影片時間不長，但劇情不拖沓，干凈利落。

《曲面》最後是一個開放式的結，而且短片的視聽語言非常棒，比如在看到對面的曲面上面同樣有血跡時，沉重壓抑的海浪聲變得更加強烈，呼吸變得越來越急促，這就表明了女主的心理非常的驚悚害怕，但同時死死撐住旁邊用手增加摩擦力不讓自己那麼快掉下去的細節。

(6)曲面電影完整版觀看擴展閱讀：

《曲面》的主旨是一個扣人心弦又值得人深思的短片，影片的最後也留給了觀眾遐想的餘地，女主有沒有爬上來，一千個人大概有一千個想法，這個空間可以說留得相當的足了，結尾的對懸崖的特寫後的戛然而止，也讓影片整體絕望的氛圍達到高潮，拍攝手法堪稱高級。

恐怖懸疑類短片最大的魅力在於，能夠把人性放大化——人心都有恐懼的一面，對可怖的事物，對未知的事物，對我們不能理解其存在的事物，對能對我們造成傷害的事物。

⑺ 論文中某個變數的測度什麼意思

‍

該欄目主要是推送上財商學院教師國內外學術前沿動態、科研成果的信息平台。商學院以「雙一流」學科建設為科研導向打造學院核心優勢；商學院教師踐行「厚德博學，經濟匡時」的校訓，不斷提升科研實力和教學成果，在各自領域做出優秀的原創性科研成果，打造商學院財經特色品牌，為促進中國社會經濟的發展提供理論支持。

編者按

本期推介成果為上財商學院謝天副教授及其合作者Steven F. Lehrer完成，2021年3月12日發表在《Management Science》的論文「The Bigger Picture: Combining Econometrics with Analytics Improves Forecasts of Movie Success」。

· 論文摘要 ·

使用機器學習結合社交媒體大數據來提高預測精度，在學術界和業界都有較高的關注度。為了評估該項技術的實用性，本文使用電影行業數據，將常規計量經濟學方法與預測分析文獻中的常見機器學習工具進行了詳細的對比。在此基礎上，我們還提出了一種全新的混合學習演算法。該方法將常規計量經濟學演算法與機器學習演算法相結合，進而可以更加精確地捕捉數據異質性，以達到提高預測精度的目的。我們的實證結果驗證了社交媒體數據的重要性以及混合學習演算法的價值。具體來說，雖然機器學習演算法中的最小二乘支持向量回歸和樹類演算法明顯優於傳統計量經濟學方法，但我們提出的混合學習演算法能夠在其基礎上進一步提高預測精度。此外，蒙特卡洛實驗表明，我們提出的混合學習演算法的相對優勢主要建立在數據的異質性上。而無論社交媒體數據測度方法的迥異區別還是各種電影特徵對票房的不同影響都會產生顯著的異質性。

作者介紹 INTRODUCTION

謝天，曾獲加拿大皇後大學博士學位。上海財經大學商學院世經國貿系副教授。主要研究方向為組合預測和模型平均，大數據分析等。主持和參與多項國家自然科學基金項目。研究成果在Management Science, Review of Economics and Statistics, Journal of Financial Econometrics等一流期刊發表。

BONUS SCENE

一個小彩蛋

Management Science編輯部以及我的合作者Steven F. Lehrer在推特上都有對本文做宣傳。我私下裡把他們發的Tweets以及所有回復的內容一起做了一個簡單的字元分析，並把結果通過如下字圖展示。字體越大說明提及頻率越高。貌似在介紹本文的時候，人們較為看重數據處理，而且關心(機器)學習方法與計量經濟學的全新結合。這較為直觀地反映了目前我所在的研究(小)領域內，人們看重的關鍵點和可能的未來發展方向。一些表達情緒的關鍵詞彙也被篩選出來。當然也沒忘提及了下我的名字(右下角…好小…)。

我還用本文使用的情緒分析工具，研究了一下合作者所有相關Tweets的綜合情緒。結果顯示，和中性的0相比，Tweets情緒高達0.733。說明Steve發推時的情緒高漲自豪。

01

引言

很多人推測，電影製片廠在不久的將來會認識到，決定一部電影成功與否的因素中，預測分析與製片人、導演和（或）電影明星一樣重要。目前文獻中，預測分析結合社交媒體大數據的做法比較流行，且主要用在電影行業的需求預測上。提高預測精度的意義重大，因為它們能夠降低投資者對票房不確定性的顧慮從而增加資本投資；還可以幫助市場營銷團隊量身打造最有效的營銷活動。

前人的研究中，如 Bollen, Mao 和 Zheng (2011), Goh, Heng 和 Lin (2013) 及 Lehrer 和 Xie (2017) 等，展示了社交媒體在不同預測情境下的重要性。然而，這些文獻中都沒有考慮目前流行的機器學習演算法，如回歸樹，隨機森林，提升方法和支持向量回歸等。這些機器演算法一般不會限制統計模型的具體結構，並且通過加入傳統計量方法忽略的非線性預測量的交互項來提升預測精度。盡管這些演算法在建模時有一定優勢，通過遞歸分區構建超平面或者樹形結構時，它們一般都要求在整個解釋變數空間內，齊方差假設成立。

數據的異方差性可能來自於被忽略的參數異質性，會影響許多預測方法的預測能力。比如，異方差會改變支持向量的位置，還會改變數據分區的方式，從而影響回歸樹的結構等。本文提出了一種新的預測分析理念，與以往文獻中的計量方法和機器學習演算法都不同，為提升電影業預測精度提供了指導性幫助。因此，本文對以改善預測精度等實證表現為主的數據科學領域的發展也做出了一定貢獻。改領域目前在經濟學科和管理學科都受到了重視，著名文獻包括但不限於：Vasilios, Thephilos 和 Periklis (2015) 檢驗了預測每日和每月匯率時，機器學習方法的精度；Wager 和 Athey (2018) 提出了隨機森林的變形方法，估計隨機效應；Ban, Karoui 和 Lim (2018) 用機器學習演算法做投資組合優化，等等。

本文提出的混合策略，考慮了最小二乘支持向量回歸和遞歸分區方法中數據的異方差性導致的異質性問題。為了說明這一點，用回歸樹預測時， 我們通常用一個局部常量模型，假設單個終端葉片間結果同質。本文的混合方法允許模型有不確定性，並且在每個終端葉子分組中進行模型平均。因此，我們的混合方法考慮了每個葉子分組內，解釋變數和被解釋變數之間存在異質性的概率。最近的一篇文獻，Pratola, Chipman, Geroge 和 Mc- Culloch (2020) 考慮在貝葉斯模型的框架之下，在現有機器學習文獻中加入異方差。在支持向量回歸方法中，我們也允許模型不確定性，對准則函數做出調整，使之建立在異方差誤差項之上。本文通過模擬實驗以及電影票房相關的實證例子闡述了，混合策略及遞歸分區方法或者最小二乘支持向量回歸的具體應用環境，和相比較於Pratola, Chipman, Geroge 和 Mc- Culloch (2020)等方法的比較優勢，進而感興趣的使用者提供了指導。

本文還對其他實證方法對電影收入的預測精度做了檢驗。我們選擇樣本時並沒有特定的標准依據，樣本包括三年內北美所有在影院上映或售賣的電影。我們發現，該數據表現出很強的異方差性，追溯其原因很可能是來自不同分布的人群對不同類型電影的興趣差異性。本文的實證結果首先為學者選擇預測方法時的權衡提供了新的啟示。樣本容量較小時，我們發現最小二乘支持向量回歸優於其他機器學習方法。總體來看，遞歸分區方法（包括回歸樹，引導聚合和隨機森林）與計量方法相比，預測精度提升30%-40%，那些計量方法都採用了模型選擇標准或模型平均方法。計量估計量和懲罰方法間接考慮了異方差數據，統計學習方法與這些方法相比，預測精度有很大的提升，進一步說明了線性參數計量模型的局限性。然而，這些線性模型目前仍然很受歡迎。如Manski (2004)所說：「統計學家取得進步的原因是把目標集中在易處理的估計量上，比如線性無偏或漸近正態的估計量。」

其次，本文的發現利用本文提出的混合策略，在允許模型不確定性存在時，預測精度約有10%的進一步提高。許多種類的機器學習演算法的預測精度都有所提升：(i) 替代支持向量回歸的核函數；(ii) 在樹形結構（包括隨機森林，引導聚合，M5』，最小二乘支持向量回歸）下用超參數和局部目標函數來分割數據的演算法等等。模擬實驗能夠幫助我們理解為什麼實證分析中預測精度會出現大幅的提升。我們發現參數存在顯著異質性導致數據異方差時， 本文的混合策略極為有效。參數異質性的原因可能是跳躍或門檻效應，或者是在潛在關系中忽視了參數的異質性。這種情況下，混合策略能在一定程度上解釋葉片間結果的異質性。

最後，本文發現加入社交媒體數據，即使在異方差的數據環境下，仍然對提高預測精度有巨大的幫助。我們考慮了多種計量檢驗，都驗證了社交媒體數據的重要性。我們提出的混合策略甚至可以對變數的重要性進行量化排序。計算結果說明，預測電影票房或單位銷售收入時，最重要的10個變數中，有7個隸屬於社交媒體數據。

接下來，我們將對本文採用的模擬實驗結果以及實證分析進行具體的描述。

02

模擬實驗結果對比

為了展示混合策略相較傳統方法的優勢，我們考慮以下非線性模型。其中，圖1(a)(b) 兩部分分別展示了訓練數據的散點圖和曲面圖，數據生成過程如下：

yi = sin(X1i) + cos(X2i) + ei,

其中 X1i ∈ [1, 10], X2i ∈ [1, 10], ei是均值為0、方差為0.01的高斯雜訊。

圖1 (c) -(f) 分別表示用 RT, MART, SVRLS,和 MASVRLS方法得到的訓練數據的預測值 y.由於RT預測假設葉片間同質，圖1(c) 中的曲面圖與階梯函數類似。相反，MART預測假設葉片間也是異質的，圖1(d) 中的曲面圖與基本數據中聯合分布的變化更接近。圖1(e) SVRLS 的預測圖與 MART 類似，但褶皺更明顯。而MASVRLS 方法預測的曲面圖最為平緩，具體可參見圖1(f).

圖1(g)-(j) 分別展示了 RT, MART, SVRLS,和 MASVRLS演算法的預測誤差。通過比較這四個圖形的高度，我們發現，MART 和 MASVRLS 方法得到的絕對誤差值的分別小於RT和SVRLS 的一半。而且，整個 X1 和 X2 的區間內，(h) 和 (i) 高度都減半了。這驗證了我們對於放鬆模型具體結構可以提高預測精度的假設，也說明了捕捉葉片或支持向量之間的參數異質性從而提高預測精度的重要性。

圖1、混合策略與其他傳統方法在模擬數據下的表現差異展示▼

03

實證研究

我們收集了2010年10月1日至2013年6月30日期間北美上映的所有電影的相關數據。在 IHS 電影咨詢部門的幫助下，我們用一系列指標衡量每部電影的特徵，包括電影類型，美國電影協會給出的電影內容評級(G, PG, PG13 和 R)，除廣告費用以外的預算，以及電影上映六周前電影製片廠預測的上映周數和上映影院數。在本文的分析中，我們主要用首映周末票房(n = 178) 和首映時 DVD 和藍光光碟的總銷量(n = 173) 考量一部電影的初始需求量。

為了從大量推特信息中 (平均每天3.5億條) 萃取出有用的關於「支付意願」的信息，本文考慮兩種衡量標准。第一，基於 Hannak 等人 (2012) 的演算法，計算某一部電影的「情緒」。這種演算法包括電影標題和關鍵詞的文本分析：找出含有電影名稱或關鍵詞的推特，再計算作者發布的文字和圖片中的情緒得分。與某一部電影有關的所有推特中，每個詞語有不同的情緒得分，這部電影的情緒指數就是情緒得分的均值。第二，我們計算了每部電影有關的不加權的推特總數。在本文的分析中，我們分別考慮推特數量（volume）和推特情緒（sentiment），因為情緒能表現電影的質量，但數量可以展現人們對電影的興趣（流量）。

為了檢驗在傳統計量方法或機器學習方法中加入社交媒體數據的重要性，我們參照 Hansen 和 Racine (2012) 的做法，做了下述試驗，以衡量包含不同協變數的模型中不同估計量的相對預測效率。我們比較的估計方法可以分為以下幾類：(i) 傳統計量方法；(ii) 模型篩選方法；(iii) 模型平均發 ；(iv) 機器學習方法；以及(v) 本文新提出的混合方法。該方法結合了計量工具和機器學習演算法，能夠更好地捕捉數據的異質性。

試驗把原始數據 (樣本量為 n ) 分成訓練集 (nT ) 和評估集(nE = n −nT ).我們可以從訓練集中得到每種方法的參數估計量，這些參數估計量接著被用來預測評價集的結果，從而可以計算均方誤測方差 (MSFE) 和平均絕對預測誤差 (MAFE)，對每類預測方法做出評價。以最小二成法（OLS）為例，MSFE和MAFE的具體演算法如下：

其中 (yE, xE) 是評價集，nE 是訓練集中觀測值的數量， βˆT 是基於訓練集的對應模型的估計系數，ιE 是一個 nE × 1、元素都為1的向量。總的來說， 我們用不同大小的評估集 (nE = 10, 20, 30, 40) 重復進行了10,001次試驗。

圖2和圖3分別是公開票房和單位銷售額的預測誤差試驗的結果。圖2和圖3最上面的一幅圖表示的是 MSFE 的中位數，最下面的一幅圖表示的是MAFE 的中位數。每個小圖中都有四條曲線，分別對應不同大小的評估集， 每個點代表對應評估集下，x軸上標出的估計量的預測結果。估計量一般按照預測精度的改善程度排序，除了本文新提出的混合策略的估計量在傳統的機器學習方法估計量的附近。重新排列幫助我們直觀地看到每一個混合方法中加入模型不確定性帶來的邊際收益。需要注意的一點是，RF 和MARF 後的數值代表隨機抽取的用來決定每個節點處是否分裂的解釋變數的個數。

本文提出的 MASVRLS 方法在每幅圖的最右邊，因為不管用 MSFE 還是 MAFE 衡量，MASVRLS 的預測結果都是最優的。緊靠著 MASVRLS 左邊的是 SVRLS 方法，得到了次優的結果。加入模型平均使得 SVRLS 和 MASVRLS 的預測表現提升10%。即便如此，nE 取值很小時，試驗考察的機器學習方法都絕對優於 HRCp，計量估計量和懲罰方法。統計學習文獻中常用的方法，如引導聚合、隨機森林方法也優於基準模型。而且，我們發現把模型平均加入到引導聚合方法後，大約有10%的收益，與向 SVRLS 方法加入模型不確定性後的收益相同。

圖2、公開票房預測結果對比

圖3、單位銷售額預測結果對比

比較圖2和圖3的結果，我們發現混合策略中加入支持向量回歸比樹形回歸能獲得更大的收益，且公開票房的預測結果優於零售單位銷售額的預測結果。然而，電影零售單位銷售額的預測精度提高的百分點更大，因為電影零售單位銷售額的樣本容量更小。我們還發現，當我們使用更大的樣本來預測DVD和藍光光碟銷售額時，HBART相較於樹形回歸的優越性更為明顯。常規的隨機森林方法和加入模型平均後的隨機森林估計，在所有方法中表現平平。需要注意的是，當測試集nE 變大，所有方法的預測表現都會變差，這一結果也符合預期。

04

結論

電影行業充滿不確定性。De Vany 和Walls (2004) 報告稱，1984-1996年上映的2,000部電影中，只有22% 的電影盈利或不賺不賠。由於社交媒體能反映出一部電影上映前公眾的興趣，而且社交媒體還能夠測度潛在觀眾對廣告營銷的反應，電影業對於用社交媒體數據做預測十分振奮。新的數據來源不僅能夠提高潛在提升預測精度，還能運用遞歸分區方法或者為數據挖掘開發的SVR演算法。運用電影業的數據，我們發現這些演算法與維度縮減或傳統計量方法相比，預測精度有了顯著提高。

盡管機器學習方法提供了實際性的幫助，我們認為異方差數據可能會阻礙許多演算法的預測表現。因此，我們提出了一種混合策略，即把模型平均應用到每個支持向量或葉片中。本文的實證研究說明，不管是哪種機器學習演算法，運用混合策略後預測精度都有顯著改善。而且，混合策略中加入支持向量回歸比樹形回歸能獲得更大的收益，且公開票房的預測結果優於零售單位銷售額的預測結果。然而，電影零售單位銷售額的預測精度提高的百分點更大，因為電影零售單位銷售額的樣本容量更小。另外，在傳統計量方法、懲罰方法或模型篩選方法中加入異方差能夠提高預測精度，本文的分析對這點提出了懷疑。

機器學習領域學者們面臨的一大挑戰是Wolpert 和Macready (1997) 提出的「無免費午餐」定理。這是一個不可能定理，即不可能存在一個全局最優策略。最優策略不但取決於樣本容量和預測的目標變數，還取決於特定問題的結構，而分析者事前通常不知道問題的結構。然而，由於現實世界中數據的異方差性很普遍，在樹類演算法或最小二乘支持向量回歸的基礎之上，我們提出的混合學習演算法具有重要意義，還能夠與 Pratola, Chipman, Geroge 和 McCulloch (2020) 提出的 HBART 策略相互補充。

為了推動後續有關社交媒體對電影業盈利的影響的文獻，我們可以考慮使用加總程度更低的推特數量和情緒得分作為解釋變數。比如，我們可以測度推特不同子集的情緒，子集的分類標准可以是粉絲數量，人口特徵， 或推特是否有正面(負面)導向，等等。通過把社交情緒分解成小部分，我們可以知道，推特中表達出的哪種類型的情緒與觀看電影的決策相關。未來的研究方向是：理解混合學習演算法的統計特徵，開發出一個能夠在一個有多個協變數的模型中捕捉到異方差來源的檢驗方法，以及為他人提供策略選擇方面的建議。另外，我們還需要開發出一套評價預測模型的標准，評價標准不僅僅是估計量的偏差和效率，還應該考慮預測方法的計算復雜性，這些都將會對管理決策提供很大的幫助。

SUFE COB

責編 | 張宜傑 審編 | 謝天 沈夢雪

⑻ 跪求《曲面》2016年百度雲資源,Laura Jane Turner主演的

《曲面》2016網路網盤高清資源免費在線觀看

鏈接: https://pan..com/s/10GiV-K3jBH5_jM0l_BsAjA

一面是萬丈深淵，一面是懸崖絕壁，當她恢復知覺，發現自己身陷險境，生與死就在咫尺之間。是坐以待斃，還是絕地求生？

⑼ 求 曲面 百度雲免費在線觀看資源

《曲面》網路網盤高清資源免費在線觀看

鏈接：https://pan..com/s/16kkPuyt_X5jzupKm0tmP4w

《曲面》是澳大利亞2016年拍攝恐怖短片。

⑽ 曲面電影是在哪拍設的

在澳大利亞拍的一個絕壁
本片是由一個澳大利亞導演所拍，短片劇本是受到了導演的啟發，曾經導演經歷過一次嚴重的車禍，在訪談中他說我依舊記得我的手指扣在濕漉漉的路面上的感覺。
被車撞到，無助的躺在瀝青柏油之間，隨時可能被第二輛車碾過。正是因為有；這些經歷讓導演認識到了死亡，以及對求生的那種渴望性。

影片中有一個小細節，那就是在女主的對面也有，一塊相同的曲面，上面會顯現出女主求生時用手在上面留下的血跡。
血跡是先女主一步，彷彿在告訴她的命運。
影片結束後兩面曲面上只留下了血跡，並沒有交代女主到底有沒有逃出去。留下了懸念。