---
library_name: sklearn
tags:
  - classification
  - catboost
  - game-popularity
  - datathon
  - steam
  - tabular
  - joblib
license: mit
language: en
datasets:
  - FronkonGames/steam-games-dataset
  - fahri-desrian/steam-games-dataset-modified
metrics:
  - accuracy
model-index:
  - name: Popularity Classifier (CatBoost - Manual Bin 3)
    results:
      - task:
          type: classification
          name: Popularity Classification
        dataset:
          name: Modified Steam Games Dataset
          type: tabular
          split: test
        metrics:
          - name: Accuracy
            type: accuracy
            value: 0.9192
---

# Model Card for Popularity Classifier (CatBoost - Manual Bin 3)

Model ini memprediksi **tingkat popularitas game** berdasarkan berbagai fitur dari dataset Steam seperti `Price`, `Tags`, `Developers`, `Playtime`, dan lain-lain. Kelas output terbagi menjadi 3 label:

- **Kurang Populer**
- **Cukup Populer**
- **Sangat Populer**

Model dikembangkan sebagai bagian dari kompetisi **Datathon 2025**.

## Model Details

### Model Description

Model ini merupakan model klasifikasi berbasis **CatBoostClassifier**, dilatih pada dataset Steam yang telah dimodifikasi (FronkonGames → versi custom). Data yang digunakan mencakup sekitar 60.000 game dengan preprocessing dan binning khusus.

- **Developed by:** Fahri Desrian
- **Model type:** Gradient Boosted Decision Tree (CatBoost)
- **Language(s):** English (metadata kolom)
- **License:** MIT
- **Finetuned from:** Tidak berlaku (model dari awal)

### Model Files

- `popularity_classifier_catboost_manualbin3.joblib` – model CatBoost
- `popularity_label_encoder_manualbin3.joblib` – label encoder untuk 3 kelas
- `feature_columns.joblib` – daftar fitur yang digunakan saat inference

## Uses

### Direct Use

Model ini digunakan untuk:
- Prediksi popularitas game baru berdasarkan metadata
- Analisis game design, genre, atau perilaku pengguna
- Insight untuk developer dan publisher

### Downstream Use

Dapat digunakan dalam pipeline otomatis (misalnya dalam sistem rekomendasi atau dashboard analitik).

### Out-of-Scope Use

- Tidak cocok untuk prediksi revenue atau performa pasar real.
- Tidak boleh digunakan sebagai satu-satunya dasar keputusan bisnis tanpa validasi tambahan.

## Bias, Risks, and Limitations

- Dataset Steam mungkin bias terhadap genre mainstream atau developer besar.
- Genre niche atau regional mungkin kurang akurat diprediksi.
- Tidak mempertimbangkan sentimen sosial media atau campaign marketing.

### Recommendations

Gunakan model ini hanya sebagai alat bantu dan lakukan validasi manual pada prediksi penting.

## How to Get Started with the Model

```python
import joblib
import pandas as pd

# Load model dan encoder
model = joblib.load("popularity_classifier_catboost_manualbin3.joblib")
label_encoder = joblib.load("popularity_label_encoder_manualbin3.joblib")
feature_cols = joblib.load("feature_columns.joblib")

# Contoh data
df = pd.read_csv("game_input.csv")

# Prediksi
X = df[feature_cols]
y_pred = model.predict(X)
y_label = label_encoder.inverse_transform(y_pred)

print(y_label)
```

## Training Details

### Training Data

Dataset: [Modified Steam Games Dataset](https://huggingface.co/datasets/fahri-desrian/steam-games-dataset-modified)  
Jumlah data: ~60.000 game  
Kelas target: 3 kelas binned berdasarkan `Estimated owners`

### Preprocessing

- Multi-label column diubah jadi binary features (Tags, Genres, Categories)
- Missing value → median/“unknown”
- Binning target:
  - `<10.000` → Kurang Populer
  - `10.000–100.000` → Cukup Populer
  - `>100.000` → Sangat Populer

#### Training Hyperparameters

CatBoost Model Detail
- Model type: Multi-class classification
- Classes: Kurang Populer, Cukup Populer, Sangat Populer
- Algorithm: CatBoostClassifier
- Accuracy: 91.92%
- Training Parameters:
  - iterations: 1000
  - depth: 6
  - learning_rate: 0.0995
  - loss_function: MultiClass
  - bootstrap_type: Bayesian
  - score_function: Cosine
  - random_seed: 42

## Evaluation

### Testing Data

Split 80/20 train/test

### Metrics

- **Accuracy:** 91.92%
- F1 Macro, Recall, dan Precision tersedia di log training (tidak disertakan di sini)

## Citation

**BibTeX:**
```bibtex
@misc{fahriakmalsarah2025popularitymodel,
  author = {Fahri Desrian, Sarah Zhafirah Adzra, Muhammad Akmal Fasya},
  title = {Popularity Classifier (CatBoost - Manual Bin 3)},
  year = 2025,
  howpublished = {\url{https://huggingface.co/Yuuuuurei/steam-games-popularity-predictor}},
  note = {Used for Datathon 2025}
}
```