DataSet見直し
前回の記事でラベル4(5人)の枚数が少ないため、ラベル4の精度が低いのではないかと予測しました。
そこでラベル4、5をまとめて5人以上とし、DataSetを作成して試してみました。
前回の記事
Neural Network Console Challenge 人数による分類
https://qiita.com/ryo19841204/items/399313450e936d1a9514
変更後の画像のサンプルと各ラベルの枚数
| label | 枚数 | ||||
|---|---|---|---|---|---|
| 0 |  |
 |
 |
 |
2,675 |
| 1 |  |
 |
 |
 |
1,229 |
| 2 |  |
 |
 |
 |
553 |
| 3 |  |
 |
 |
 |
247 |
| 4 |  |
 |
 |
 |
359 |
| ※学習用データ提供：[PIXTA] | |||||
| [PIXTA]:https://pixta.jp/ |
前回のラベル5の分をラベル4にまとめただけです。
これによってラベル4の枚数が93枚から359枚になります。
このデータを元にDataSet作成して同じモデルで学習してみます。
モデル
モデルは前回と同じものを使用します。
ただし、分類数を6から5に変更したので、最後のAffine_4のOutShapeを6から5に変更する必要があります。
学習結果比較
トレーニング結果
変更前
変更後
変更前後で大きな変化はありませんでした。
評価結果
変更前
変更後
| 変更前 | 変更後 | |
|---|---|---|
| Precision(精度) | 0.625 | 0.7848 |
| Recall(再現率) | 0.4761 | 0.7948 |
| 想定通り、ラベル4の精度が改善しました。 | ||
| しかし、Accuracy(正確度)がほぼ変わらずという結果になりました。 |
考察
Accuracy(正確度)についても改善するのではと思いましたが、結果は変わりませんでした。
おそらく同じデータを使用して、全体のデータ数やパターンが同じだからではないかと考えられます。
全体的に精度を改善するには、データ数を増やすのが近道かもしれません。