Покéдетектив:
дело о странном соседе

Подключите Import Images → Image Viewer и отдельную ветку Import Images → Data Table. Осмотрите несколько десятков объектов: фон, размеры, прозрачность, дубликаты, повреждения. Выберите один и тот же рабочий набор для следующих сравнений.

Выберите шесть разных покемонов. Придумайте два простых признака: например, доля определённого цвета и вытянутость силуэта. Сначала предположите, кто окажется рядом по этим признакам, затем найдите контрпример. Точные вычисления не обязательны: здесь мы проверяем идею признака, а не пишем обработчик изображений.

Import Images → Image Embedding (SqueezeNet local) → Data Table
Image Embedding → Select Columns → дальнейшие методы

Посчитайте embeddings. Сравните таблицу до и после: сколько новых признаков появилось, сколько изображений обработано и сколько пропущено. Число координат выпишите из своей версии, не угадывайте по названию сети. В Select Columns оставьте embedding-координаты в Features; имя и путь изображения — в Meta. Ширину, высоту и размер файла тоже уберите из Features. Для кластеризации target не нужен.

Embeddings → Distances (Rows, Cosine)
           → Hierarchical Clustering (Average, Top N = 3)
           → Image Viewer

Изучите каждую из трёх групп. Дайте ей осторожное описание, приведите два примера и одного неожиданного участника. Сохраните скриншот дендрограммы. Затем не меняя embedding и cosine, сравните Average и Complete; отдельно сравните разрезы k = 3 и k = 5. Меняйте по одному решению за раз.

Embeddings → Neighbors: Data
Embeddings → Image Viewer: выбрать Beldum
Image Viewer: Selected Data → Neighbors: Reference
Neighbors (Cosine, 3 соседа) → второй Image Viewer

В независимом наборе файл называется 0374-beldum.png. В другом наборе найдите beldum по имени. Если его нет, выберите другой объект и явно укажите замену. На вход Reference должна попасть ровно одна строка из таблицы embeddings, не исходная строка без признаков.

Получите три ближайших других изображения. Выключите включение reference в результат, если такой флажок есть в вашей версии; иначе исключите запрос из набора кандидатов. Запишите имена файлов. Затем переключите cosine на Euclidean, не меняя признаки и кандидатов. Совпали все три соседа или только часть? Совпадение тоже результат.

Возьмите копию выбранного изображения. Измените только одно свойство: яркость, фон или кадрирование. Исходник сохраните. До запуска запишите гипотезу: изменятся ли соседи? Получите embedding копии той же моделью и снова найдите три соседа среди прежних кандидатов. Уберите из кандидатов сам исходник и его варианты, иначе опыт сведётся к поиску дубликата.

Сравните два списка. Нас интересует не обязательный эффект, а проверяемый эксперимент. Не меняйте одновременно embedder, расстояние и картинку.

Соберите две небольшие, ясно размеченные группы. Например: преимущественно синие / голубые и преимущественно красные / оранжевые. Возьмите не меньше 10 разных исходных изображений в каждом классе. Неуверенные случаи не размечайте наугад. Оценивайте цвет самого персонажа, не белого фона. Можно выбрать другую наблюдаемую характеристику, заранее описав правило.

Создайте подпапки классов и импортируйте их отдельно от исходного набора. Проверьте метку класса в Target. В Features — только embedding; путь, имя файла и названия папок — Meta. Снова используйте фиксированную предобученную сеть.

Import Images (две подпапки) → Image Embedding → Select Columns → Test & Score
Logistic Regression → Test & Score
kNN                 → Test & Score
Test & Score → Confusion Matrix → Image Viewer

В Test & Score выберите 5-fold stratified cross-validation, а не оценку на обучающих данных. Сравните Logistic Regression и kNN, например с k = 3. Если добавляете обучаемую предобработку, она должна оцениваться внутри обучающих частей. Не включайте в выборку версии из миссии 6 и дубликаты одной картинки.

Запишите Accuracy обеих моделей, рассмотрите Confusion Matrix и откройте ошибки. Если ошибок в вашей проверке нет, не придумывайте их: сообщите это и объясните, почему маленький учебный набор не гарантирует такой результат на новых изображениях. На каком простом ручном признаке мог бы работать baseline для ваших классов?