STEP3
各項目７～８枚ずつ画像を入れた後、Trainボタンを押して学習させてみます。
途中で画像を追加したい場合は、Add some images!で画像を追加できます。
STEP4
学習後のPerformanceを見てみます。
PrecisionとRecallのパーセンテージ、また各項目ごとのパーセンテージが出ました。
Precisionは適合率、Recallは再現率といい、この２つの数値は相反しやすいものとなります。
Precisionでより精度の高い結果がでた場合、Recallでは網羅率を高く、できるだけ取りこぼしがないように広く結果を出しているため、数値が低くなります。
項目ごとのパーセンテージを見てみると、面白い結果になりました。
自由花のPrecision、Recallはいずれも80％を超えており、かなりの確率でこれは自由花だと判定されたことになります。
立花を見てみると、Precisionが66％と低く、Recallが83％と高い数値が出ています。また生花ではPrecisionが66％、Recallが50％と双方があまり高くない結果になりました。
この数値から考えられるインサイトは以下があげられます。
１．自由花の花型は判定しやすい。形に特徴があるからでしょうか？
２．立花と生花の花型は判定しにくい。判定に迷っている。立花は生花の発展形なので基本の形が似ているからかもしれません。
STEP5
ここで、Iteration Historyを見て、どの画像がエラー判定されたのか見てみます。赤枠で囲われたのが、エラー判定された画像です。
少し詳細を見てみます。
本来は生花ですが、立花と判定されたようです。
こちらは立花ですが、立花、自由花、両方と判定されました。
こちらは自由花ですが、自由花、立花、生花、どれとも判定されませんでした。
このように、明らかに異なる花型を項目ごとに分けて学習させても、何枚かはエラー判定されてしまうことから、生け花を判定するのは難しいのだということがわかりました。
次回はより精度高く判定できるよう、より多くの画像を使って判定していきたいと思います。