感情セグメンテーションを理解する: 機械学習を活用してポジティブな気持ちを維持する方法

この記事は、公開アカウント「Reading the Core」（ID: AI_Discovery）から転載したものです。

「考えて、もう一度考えて、そして行動する。」このプロセスは聞き覚えがありますか? ほとんどの人がこの方法で行います。

しかし、この思考プロセスは諸刃の剣になる可能性があります。場合によっては、結果がポジティブで役立つこともありますが、他の場合には、結果が有害であったり、逆効果になったりすることもあります。後者は私たち全員が避けたいものです。感情の崩壊を明確に把握するために、私はこの機械学習 (ML) プログラムを作成しました。

[[348228]]

隔離期間は私に自分自身を探求し、自分の考えを吟味する機会を与えてくれました。私は考えるタイプではありませんが、いつも考えがまとまらなくなり、そのたびに頭をすっきりさせる必要があります。そこで、自分の思考プロセスを分析できる ML モデルを作成したいと考えました。 KNNアルゴリズムを使用して避けるべき感情を判断し、視覚化技術を使用して感情をグラフ形式で表示し、全体像を明確に把握できるようにしました。やり方は次のとおりです:

• まず、別のアイデアでデータセットを作成しました。
• KNN アルゴリズムを使用します。
• 視覚化技術を使用する。
• ついに、私は自分の思考プロセスを区分化することを学びました。

データセットを作成する

データセットは、落ち込んでいる、悲しい、謙虚、泣いている、痛い、混乱している、幸せ、興奮している、決意しているという 9 つの感情 (特徴) で構成されています。私はそれらをポジティブ、ネガティブ、ニュートラルの 3 つのカテゴリ (ラベル) に分類しました。さらに、ラベルに基づいて、9 つの感情/特性をそれぞれ 1 ～ 10 のスケールで評価しました。合計150個のケースを作成しました。データセットの最初の数行は次のとおりです。

KNNアルゴリズムの使用

次のステップに進む前に、まず教師あり学習の基本的な ML 用語を理解する必要があります。

• モデルをトレーニング、テスト、評価するために、さまざまなケースを使用します。
• これらのケースには、モデルに関連付けられた機能とラベル値が含まれます。
• 特徴は、アルゴリズムをトレーニングするために使用される基礎となる値です。
• トレーニング部分が終了すると、アルゴリズムはテスト機能の正しいラベル値を予測できるようになります。

目標はラベルを正しく予測することです。したがって、トレーニングされたアルゴリズムの精度は高くなるはずです。高くない場合は、予測されたラベル値と元のラベル間の誤差を最小限に抑える必要があります。これらの基本を踏まえて、KNN アルゴリズムに移りましょう。 KNN は教師あり機械学習アルゴリズムであり、「K」は分類するポイントの隣接値の数です (たとえば、K = 1、2、3 など)。

左の画像では、KNN は「？」を最も近いため緑の星として分類します。同様に、右側の例では、これらの三角形が最も近い多数決ケースであるため、KNN は「？」を黄色の三角形として分類します。

新しい症例と既知の症例の近さは、ユークリッド スケールやミンコフスキー スケールなどの任意の距離関数を使用して表現できます。それが「最も近い隣人」と呼ばれる理由です。このようにして、KNN アルゴリズムは新しいケースを分類します。この特定のモードでは、KNN は各感情の分類を正しく予測する必要があります。すべてのデータを前処理した後、KNN アルゴリズムを使用して、精度を 98.6% と計算しました。以下は同じことを示すコード スニペットです。

視覚化技術を使用する

データの視覚化を使用してデータを分類し、グラフ化して理解しやすくし、前向きな考え方を維持するために避けるべき感情を予測するソリューションを作成しました。この手法は、ラベル カテゴリ (ポジティブ、ネガティブ、ニュートラル) を区別するのに役立ちます。このために、私は「ボックス プロット」を使用しました。

結果

KNN によって生成されたグラフは次のようになります。

• イライラ: アルゴリズムはこの特性を否定的として分類しますが、これは明らかです。しかし、否定的と中立的の間にはわずかな重複があることは注目に値します。同時に、否定性と中立性の境界線は非常に曖昧です。これは、フラストレーションを感じることで、ある程度、前向きな結果を達成するための動機付けになる可能性があることを示唆しています。総合的に検討した結果、否定的なラベルに分類されます。
• 混乱: この結果は興味深いものであり、アルゴリズムはこれを肯定的であるとマークします。分析する前は、混乱するのを避けていました。おそらく、こうした揺れ動く感情は、状況の長所と短所を比較検討する時間を与えてくれるなど、良い結果をもたらすこともあるでしょう。
• 悲しみ: この種の感情が必ず悪い結果をもたらすことは間違いありません。
• 自尊心の低さ: 時々、頭の中にランダムな考えが浮かぶことがあります。それらには理由も根拠もありません。アルゴリズムはこれらの感情を中立と分類しました。
• 泣くこと: 悲しみの特性と同様に、この特性もネガティブに分類されます。しかし、泣くことで感情のバランスが取れるという中立的な側面もあるのではないかと思います。しかし、グラフに基づいてラベルを付ける場合、中立ではなく肯定的として分類される可能性が高くなります。全体的に、否定的な感情を引き起こす可能性があります。
• 苦痛: モデルの予測によると、苦痛は気分の悪さにつながる最も重要な特性です。したがって、それは非常に否定的です。
• 興奮: KNN は、この機能が私にとって有益であると予測しています。ただし、グラフでは中立的な感情と否定的な感情がわずかに重なっていることがわかります。さらに、これら 2 つのラベルだけを考慮すると、否定的なラベルが中立的なラベルよりもはるかに大きな影響を与えることは驚くべきことです。
• 決意: この特性は非常に興味深いです。結果にはほとんど違いがないため、すぐに解釈することは困難ですが、ボックス プロットを使用すると簡単に理解できます。

ボックス プロットは詳細な図解を提供します。図は明快で理解しやすく、特性や思考に基づいて 3 つの異なる感情やラベルを明確に区別しています。これは KNN グラフとほぼ同じ結果を示していますが、よりわかりやすい説明を提供します。

• 企業: この特徴は明らかに肯定的であると分類されるように見えますが、KNN チャートはデータに基づいて 3 つのラベル間の類似性を示しており、誤解を招く可能性があります。ボックス プロットを見ると、肯定的な結果が他の 2 つよりもわずかに高いことがわかります。したがって、この機能は肯定的なラベルとして分類されます。

幸せ: この特性は間違いなくポジティブなラベルです。ただし、中立の四分位数は正の数よりもはるかに高く、中立と負の数だけを考慮すると、中立は両方よりも高くなります。

[[348231]]

画像ソース: unsplash

このプロジェクトは本当に楽しかったです。最初は分類結果が単純で明白だと思っていましたが、完成してみると、単なる分類以上のものであることに気付きました。 ML プログラムは、人間が簡単に完了できる特定のタスクを予測できるだけでなく、データ セットの詳細な分析も実行できます。

これは人間のような知能の始まりに過ぎませんが、非常に興味深いものであり、おそらくここから「機械学習」という名前の由来が生まれたのでしょう。