ホワイトチョコは好きなのだけど普通のチョコ味にあまり興味がないので、バレンタインの食べ物として妻がイチゴのホワイトチョコのケーキを作ってくれた。ケーキ撮影は妻。

昨晩、そろそろ寝ようかというタイミングで大きな揺れ。かなり長時間揺れたので、家のガラスの照明などは倒れないようにと横たわらせたりした。この辺は震度4だったようだ。10年前の大震災の余震で、それだけ時間が経っての余震でも震源地付近の都市部で震度6強とはなぁ。

バレンタインデーのチョコ、ではなく、ふるさと納税でもらったカズノリイケダのショコラ。

サプライズで妻から欲しかったライカ(風のカルディで売っているチョコ。すぐ売り切れになる人気商品なのだ)をもらう。うれし～～～。交換式レンズ缶はf1.9 45mmのようだ。

数日ぶりの散歩。クジラが大空を泳いでいるようなクジラ凧、よく出来てるなぁと感心して見ていた。寒桜がちらほらと咲いていた。

機械学習学習日記 - 13日目

3.4.1.2 の固有顔による特徴量抽出。それを使っての顔のクラス分類。

顔のデータを表す87x65ピクセルのグレースケール画像はグレースケール0-255の特徴量を5655(総pixel数)持つデータとして扱うことができる。

この顔データのピクセル空間で距離を計算して顔の類似度を測るには全く適していないことは明らかなのだけど、K近傍法(KNeighborsClassifier)をそのまま適用し結果を見る。ただサンプルデータでは正解率27%と実用できるレベルではないにしろ、それでも案外悪くはないのだけど。

続いてPCAのオプションでwhitenを付けて主成分を100個抽出する。whitenをつけると、PCA変換後にStandardScalerをかけるのと同じで、2次元なら円空間にスケール変換される。このデータを用いると、サンプルの正解率が36%に向上し、前処理のみだけで教師あり学習の結果が向上した。ただ、このPCAで特徴抽出したデータをピクセルマッピングして見ると、はやり人間が解釈する方法とは全く異なった特徴が現れている。

ここまではPCAはデータを回転させて分散が小さい成分を落とす特徴を使った活用だったのだけど、もう一つの有用な解釈として、主成分を重み付き和として表現する手法だ、とも解釈できる。これを用い、主成分10,50,100,500で元の画像を再構成すると、10ではぼやけた画像(ほんのもやっとしか認識できない)、100だと何となく認識できる程度、という事がわかり、10の主成分では非常に粗い特徴しかわからない。

K近傍法、ついこないだやったばかりなのに、あれ？どんなアルゴリズムなんだっけ？ともう一度軽く読み直す。何度もやらないと今の記憶力では覚えられなさそう。