- 原作者 Elisha Terada
- 编译：Mika
- 本文为 CDA 数据分析师原创作品
之前我进行过一个简单的机器学习实验，来判断图像是否为墨西哥卷饼。
使用相同的基于云的认知机器学习技术 Custom Vision，我想处理一个更复杂的场景。
如何用机器学习算法能否判断猫的品种？
训练数据集
按照惯例，我需要为机器学习算法输入一些图像，让其了解要学习的内容。
首先，我找到了猫的品种列表，包括图像和名称信息，然后以此为基础在网上找图片。
然后，我在Flickr上分别搜索每个猫的品种，并使用Chrome的扩展插件从第一页开始下载图像。
在找图片时，之所以使用Flickr而不是谷歌图片，是为了用Chrome扩展插件下载高分辨率的图像。
Flickr上的苏格兰折耳猫
我花了一个小时左右下载了图片，然后对图片进行处理。删除了当中不是猫的图片，避免影响训练集。
然后，我删除了同一个场景中相同猫的图像。这是为了避免对算法进行过度训练，从而避免它寻找精确匹配的图像，而不侧重预测。
记住，机器学习的目的是为了让算法识别以前未见过的新信息，而不是寻找精确的匹配。
最后，我确保每个品种至少收集5张图像，因为这是在Custom Vision上创建的标签所需的图像数量。
但是，有些常见的猫品种有超过20张图像，而一些不常见的品种只有6张左右的可用图像。
每个品种有不同数量的训练图像
这可能会导致识别结果产生偏差，但至少我们意识到算法中的潜在偏差。
最后，我收集了超过900张猫的图像，包含50个不同品种。
完成数据收集后，我将所有图像上传到Custom Vision，并将每张图像标记为相应品种。
之后，只需点击一个按钮来训练算法，它就可以在几秒钟内进行猫的品种预测。
测试数据集
有趣的部分开始了，让我们先来看看算法的性能。
性能还不错
基于900张图像和50个品种标签，算法的性能还不错。
这比我预想的要好，鉴于它不仅仅是识别该图像是否为猫。
对于没有受过训练的人来说，判断猫品种间的细微差异也是很困难的。
以半信半疑的态度，我打算用之前从未见过的图像对算法进行测试。
首先是Sola，我家耳朵并没有折起来的苏格兰折耳猫。
首先，在已知我家猫是纯种苏格兰折耳的前提下，我用算法对它进行了测试。
Sola为苏格兰折耳的几率为53.9%
测试我家猫很有意思，因为训练集中的所有苏格兰折耳猫图像中，猫都是折耳的。
我并不觉得这有什么影响，接着测试了几张Sola的照片。
Sola为苏格兰折耳的几率仅为34.1%
突然间，我的猫被判定为很可能是威尔士猫。
接着我检查了训练集中所有标有威尔士猫的图像，竟然发现一只看起来和Sola完全一样的猫的图像。
尽管每个猫的品种均有其独特的外观，但两只完成不同品种的猫也可能在面部形态上很相似。
也许有更多不同的威尔士猫图像可以避免这样的问题。
测试成功的例子
让我们看看一些不同品种的测试成功例子。
96.9%为暹罗猫
99.8%为阿比西尼亚猫
99.9%为萨凡纳猫
我必须说，当算法准确预测出给定的随机品种图像时，真的很神奇。
但是这个算法并不是没有缺陷的，下面让我们来看一些预测失败的例子。
预测失败的例子
之前暹罗猫算法测试的效果很出色，让我们再来看看。
首先，测试从背面拍摄的暹罗猫图像会怎么样？
不可能是暹罗猫
老实说，这并不令人惊讶。
所有训练图像集的暹罗猫都是面朝相机，而不是看向旁边的。
再来一张暹罗猫脸部特写会怎么样？
11.1% 为暹罗猫
这个结果似乎与以前我家Sola脸部特写的测试结果类似。
或许不仅仅通过猫的脸部来判断时，该算法的效果会更好。
老实说，如果暹罗猫训练集有相似图像的情况下，结果可能会比11.1％要好。
下面，让我们测试一些不是猫的图像。
狗，兔子，豚鼠
你可能已经注意到，上面每个结果都有“猫”的标签。
使用Custom Vision，你至少需要两个标签来标记每个图像。
让我们来测试一下其他毛茸茸的动物图像。
这货绝对不是喵星人
有可能是猫
测试出来是猫
测试出来是猫
测试出来是猫
不可能是猫
显然，如果看起来足够相似，该算法很难区分什么是猫，什么不是猫。
经过训练的算法很可能是基于颜色，图案和整体形状来进行模糊匹配。
结论
给定粗略的训练集，经过训练的算法在特定的条件下能够很好的判断猫的品种。
然而，对于没有训练过的项目，该算法表现的不太好，例如如何区分猫和非猫的动物。
所以在投入时间训练任何机器算法之前，对其能够处理的范围进行明确的定义是明智之举。
原文链接：
https://medium.com/towards-data-science/which-cat-breed-is-this-a-more-complex-test-case-for-the-cognitive-computing-bce46aa64483
本文为专栏文章，来自：CDA数据分析师，内容观点不代表本站立场，如若转载请联系专栏作者，本文链接：https://www.afenxi.com/46577.html 。
