Այսպիսով, ես ուսումնասիրում եմ գրավչությունը որպես իմ դոկտորականի մի մաս, և որոշ մարդիկ վերջերս ինձ խնդրեցին իմ կարծիքը թեժության ալգորիթմների կամ կայքերի մասին, որտեղ դուք կարող եք վերբեռնել ձեր դեմքը, և այն ցույց է տալիս, թե որքան տաքուկ եք: Ամենահայտնի 2-ը կարծես http://hotness.ai/ և https://www.prettyscale.com/ են: Նրանք բավականին գիտական տեսք ունեն, որտեղ hotness.ai-ն նշում է. Այսպիսով, ես մտածեցի, եկեք փորձարկենք այս ալգորիթմները:
Տեսեք, մենք ունենք կատարյալ տվյալներ այս ալգորիթմները վավերացնելու համար: մե՞նք Այո մենք! Ինչպես ես և դու: Բեն Ջոնսը և Լիզա ԴեԲրյունը, ովքեր ղեկավարում են Գլազգոյի համալսարանի Facelab-ը (որտեղ ես ստացել եմ իմ մագիստրոսի կոչումը), պատրաստել են տարբեր էթնիկ մարդկանց 102 դեմքի լուսանկարների հավաքածու, որոնք անվճար հասանելի են figshare-ում: Կարևորն այն է, որ այս դեմքերը գրավչության համար գնահատվել են մինչև 1000 գնահատողների կողմից: Այսպիսով, մենք բավականին լավ գիտենք, թե իրական մարդիկ որքան գրավիչ են համարում այս դեմքերը: Ես այս դեմքերից 79-ը (լավ, 80-ը, բայց 1-ը ստացել է այնպիսի տարօրինակ գնահատականներ, որոնք ես մերժեցի այն) ինչպես Hotness.ai-ի, այնպես էլ գեղեցիկ սանդղակի միջոցով և համեմատեցի նրանց միավորները իրական մարդկանց գնահատականների հետ.
առաջինը` Hotness.ai: Spearman-ի հարաբերակցությունը այս մեկի և Facelab-ի գնահատականների միջև r(77)= +0,53 է: Վատ չէ, որպես հասարակագետ դու երազում ես այդքան բարձր հարաբերակցության մասին: Բայց դա այնքան էլ բարձր հարաբերակցություն չէ 2 մեթոդների համար, որոնք ենթադրաբար նույն բանն են գրավում:
Prettyscale-ը մոտավորապես նույնն է անում՝ r(77)=+0.52:
Այսպիսով, միգուցե այս ալգորիթմները հիմնականում օգտագործում են նույն հատկանիշները իրենց (ոչ այնքան հիանալի) կանխատեսումներ անելու համար: Դե, այստեղ ավելի հետաքրքիր է դառնում, քանի որ հարաբերակցությունը hotness.ai-ի և գեղեցիկ մասշտաբի միավորների միջև ցածր է՝r(77)=0.19, p արժեքը 0.09 է, ուստի նույնիսկ նշանակալի չէ ավանդական նշանակության չափանիշներով: Ալգորիթմները երկուսն էլ լավ են անում դեմքի գրավչությունը գուշակելու հարցում, բայց կարծես թե ընդհանրապես համաձայն չեն միմյանց հետ: Միգուցե նրանք տարբեր տեղեկություններ են օգտագործում իրենց որոշումները կայացնելու համար:
Ինչևէ, սա ինձ մի հետաքրքիր գաղափար տվեց. արդյոք նրանք ավելի լավ կվարվեի՞ն, եթե նրանց միասին դիտարկեինք: Այսպիսով, ես նրանց երկուսին էլ գցեցի բազմակի ռեգրեսիայի մեջ՝ կանխատեսելու ֆեյսլաբի միավորները.
Այսպիսով, ինքնուրույն գծային ռեգրեսիայի ժամանակ hotness.ai-ն և prettyscale-ը բացատրեցին համապատասխանաբար 30% և 25% մարդկային իրական գնահատականի տատանումների, բայց միասին նրանք բացատրում են շեղումների 46%-ը: Երկուսն էլ նշանակալի են, ինչը ցույց է տալիս, որ նրանք բացատրում են միավորների շեղումների եզակի համամասնությունները: Մենք կարող ենք մի տեսակպատկերացնել սա` գծելով իրական մարդկանց միավորները երկու ալգորիթմների պարզ միջինի համեմատ.
Պարզապես նայելով դրան, մի փոքր ավելի լավ է թվում:
Եզրակացություն
Ես կարող էի ավելին անել սրա հետ, և կարող եմ որոշ ժամանակ անել, բայց վերջում. ոչ ալգորիթմն այնքան էլ լավը չէ, և ավելի լավ կլինի, եթե միջինը վերցնես:
