0
雷鋒網(wǎng) AI 研習(xí)社按，在數(shù)據(jù)分析秘籍在這里：Kaggle 六大比賽最全面解析（上）一文中，AI 研習(xí)社介紹了結(jié)構(gòu)化數(shù)據(jù)和 NLP 數(shù)據(jù)的處理方式，其中包括對 Titanic，房價預(yù)測，惡意評論分類，恐怖小說家身份識別四個比賽的詳細(xì)分析。
本文將介紹圖像類比賽的數(shù)據(jù)處理經(jīng)驗(yàn)，以樹葉分類競賽（Leaf Classification）和肺癌檢測比賽（Data Science Bowl 2017）為例。
正文如下，雷鋒網(wǎng) AI 研習(xí)社編譯整理：
圖像
到目前為止，我介紹的都是文本（語言、字符串或數(shù)字）數(shù)據(jù)集，最后我將帶來兩個圖像數(shù)據(jù)集的分析。
我選的這兩個比賽（肺癌檢測和樹葉分類）比我看過的其他比賽更具專業(yè)特色，這里的分析不再是基本分析，著重于探索不同技術(shù)，因此適用于更高階的讀者。
在可視化技術(shù)以及特征構(gòu)建方面，我看到了很多變化。特別是肺癌比賽中，一些作者利用現(xiàn)有的醫(yī)學(xué)知識構(gòu)建極具專業(yè)特色的特征，雖然不能說這些特征的效果有多好，但是這里可視化效果令人驚嘆。
樹葉分類
競賽中提供的數(shù)據(jù)集包括 1584 個按品種分類的被標(biāo)記的樹葉圖像，參賽者需要建立一個對標(biāo)記之外樹葉圖像分類的模型。
我選擇用于分析的 EDA 是 lorinc 的 Feature Extraction From Images，selfishgene 的 Visualizing PCA with Leaf Dataset 以及 Jose Alberto 的 Fast Image Exploration。
第一步最好先仔細(xì)瞧一瞧樹葉的圖像。
selfishgene 檢查樹葉標(biāo)本
Jose 繪制出各個種類的樹葉，并指出每個種類有 10 張圖片。他還觀察了同類樹葉間的相似性。
lorinc 直接跳入分析階段，定位每片葉子的中心并應(yīng)用邊緣檢測技術(shù)，他還將葉子的輪廓轉(zhuǎn)換為極坐標(biāo)，以便更有效地測量葉子的中心：
之后，當(dāng)我們使用邊與中心之間的距離從形狀生成時間序列時，我們可能想要轉(zhuǎn)換到另一種中心性度量——根據(jù)該中心的有效性。一種方法是測量中心和邊緣之間的（歐幾里德）距離......但是有一個更好的方法——我們將笛卡爾坐標(biāo)投影到極坐標(biāo)中。
selfishgene 選擇看圖像的方差方向：
在高維圖像空間中，每個圖像都可以被看成是不同的「方向」。
Selfishgene 看到的樹葉圖像的方差
selfishgene 也花費(fèi)了一些時間來研究圖像重建、平均圖像周圍的模型變化以及特征向量，他解釋道：
最上面一行包含每個特征向量的數(shù)據(jù)分布（沿著「方向」的直方圖），第二行包含了我們在前面的圖中已經(jīng)看到的方差方向，第四行包含了樹葉的中值圖像，值得注意的是，這一行對于所有的特征向量是相同的。
selfishgene 看到的模型變形
特征檢測
lorinc 建議將每個樣例分成兩部分，并將它們作為兩個樣例處理（盡管他不采用這種方法）。lorinc 從時間序列中找到局部最大值和最小值（例如，繪制在極坐標(biāo)中的樹葉）并記錄道：
我很驚訝于這個方法表現(xiàn)得相當(dāng)不錯。我認(rèn)為我可以從中構(gòu)建出一個非常有效的特征。但是這種方法的魯棒性不是很好：
對于樹葉＃19，它沒有找到樹葉的末端，只找到了與中心距離最遠(yuǎn)的點(diǎn)。對于樹葉＃78，可以看到在更復(fù)雜或有旋轉(zhuǎn)的葉片上效果很差。
lorinc 繪制在極坐標(biāo)中所測葉子的最小值和最大值
在發(fā)現(xiàn)每片樹葉周圍存在噪音之后，lorinc 談到數(shù)學(xué)形態(tài)學(xué)。他花了一些時間弄清楚如何去除圖像中的噪點(diǎn)，并用可愛的圖像來顯示疊加在樹葉上的距離圖：
lerinc 測量距離葉子中心的距離
肺癌
我選擇的 EDA 是 Guido Zuidhof 的 Full Preprocessing Tutorial，Mikel Bober-Irizar 的 Exploratory Data Analysis 和 Alexandru Papiu 的 Exploratory Analysis Visualization。
anokas 檢查單個圖像的元數(shù)據(jù)，可以看到病人出生日期被隱匿（19000101）
2017 年的 Data Science Bowl 比賽要求參賽者通過檢測一組圖像來預(yù)測患者是否患有癌癥。雖然在這一競賽中確實(shí)有結(jié)構(gòu)化數(shù)據(jù)（自動嵌入圖像中的標(biāo)簽信息），但其中一些數(shù)據(jù)是匿名的，也就是說，那些原本具有預(yù)測價值的特征（比如患者的年齡）用不了。這意味著所有的 kernel 只專注于圖像分析。
在三個 kernel 作者中，Guido 是唯一一個結(jié)合醫(yī)學(xué)圖像來討論的人，這點(diǎn)在他對數(shù)據(jù)集的分析中可以看出來：
Dicom 是醫(yī)學(xué)影像文件標(biāo)準(zhǔn)，這些文件中包含大量元數(shù)據(jù)（例如像素大?。?。不同掃描中的像素大小、粒度都不同（例如，切片之間的距離可能不同），這可能會影響 CNN 的性能。我們可以用同構(gòu)重采樣來處理。
另外兩位作者通過對數(shù)據(jù)集和圖像本身進(jìn)行更全面的探索開始了他們的 EDA。
apapie 檢查了圖像的形狀，而 anokas 開始觀察每個病人的掃描次數(shù)、總掃描次數(shù)和每個病人的 DICOM 文件直方圖，他還檢查了 ID 和病人是否患有癌癥是否存在關(guān)系（他發(fā)現(xiàn)沒有關(guān)系，這意味著數(shù)據(jù)集的排列是很有序的）。
Alexandru 對像素進(jìn)行分配并繪制圖像：
Guido 在 EDA 中闡明了 HU 所代表的東西（空氣，組織和骨骼）：
圖像
每位作者都在繼續(xù)研究這些圖片：
Anokas 觀察一組患者圖像
Alexandru 通過 X 射線看圖像
Alexandru 花了一些時間研究邊緣檢測是否能增強(qiáng)圖像。
提高閾值后，Alexandru 呈現(xiàn)出一些比較醒目的圖像
Alexandru 總結(jié)道：
有趣的是，過濾器也能檢測到肺里的血管，因此，一些用于區(qū)分球體和管道的三維表面探測區(qū)分技術(shù)將更適合這種情況。
同時，Guido 討論了重采樣，重點(diǎn)關(guān)注了 DICOM 圖像的基本性質(zhì)：
一次掃描可能存在一個像素間距［2.5,0.5,0.5］，這意味著切片之間的距離是 2.5 毫米。對于不同的掃描，可能是［1.5,0.725,0.725］，這對于自動分析來說存在一定問題（例如使用 ConvNets 的時候）。處理這一問題的常見方法是將完整的數(shù)據(jù)集重新取樣到確定的等向性分辨率（isotropic resolution）中，如果我們選擇將所有的數(shù)據(jù)重新采樣到 1mm*1mm*1mm 的像素中，這樣就可以使用 3D 卷積網(wǎng)絡(luò)而不用擔(dān)心學(xué)習(xí)縮放與切片厚度的固定。
之后，Guido 在 EDA 中合并了多個 DICOM 圖像完成檢測部位的三維圖：
在另一個版本中，去除周圍的空氣以減少內(nèi)存：
3D圖像
點(diǎn)評
這次競賽是我所見過的最與眾不同的。鑒于 Guido 對醫(yī)學(xué)圖像的熟悉，他能夠利用這一背景來得出更微妙的結(jié)論。但這并沒有阻止其他兩位缺乏醫(yī)學(xué)背景的作者得出同樣有趣的結(jié)論。
總結(jié)
結(jié)構(gòu)化數(shù)據(jù)
對于結(jié)構(gòu)化數(shù)據(jù)，分析時傾向于尋找目標(biāo)變量和其他變量之間的相關(guān)性，需要花費(fèi)相當(dāng)多的時間進(jìn)行可視化或?qū)ψ兞窟M(jìn)行排序。
對于較小的數(shù)據(jù)集，可以分析的數(shù)據(jù)只有這么多列，然而，不同的參賽者使用了截然不同的可視化方法，在選擇特征工程方面更極具創(chuàng)造性。
自然語言數(shù)據(jù)集
從這些 EDA 中可以看到，大家在處理自然語言數(shù)據(jù)集時有相似之處，但在特征工程的選擇以及分析中，會得出不同結(jié)論，產(chǎn)生很大的變化。
圖像數(shù)據(jù)集
圖像競賽中，在分析和特征工程方面表現(xiàn)出了極大的多樣化。我所看到的圖像競賽主要是針對有一定積累的參賽者，而且是在一些特定領(lǐng)域，這可能會產(chǎn)生更超前的多樣性。
當(dāng)數(shù)據(jù)集變得更加專業(yè)或深奧時，介紹性的分析和解釋就會減少，而比較深入和專業(yè)化的分析就會增加，而這正是我所看到的。雖然不同類型的數(shù)據(jù)有明顯不同的趨勢，但專業(yè)領(lǐng)域知識起著重要的作用。在肺癌和葉片競賽中，引入專業(yè)領(lǐng)域知識到研究中，可以支撐更深層次的分析。（有趣的是，我在自己的研究中也遇到過這種情況，Jeremy Howard 在他的 fast.ai 課程里討論了 Rossman 的數(shù)據(jù)集，以及最成功的模型是如何集成第三方數(shù)據(jù)集，如溫度、存儲位置等，從而做出更準(zhǔn)確的銷售預(yù)測。）
參賽者處理特征工程的時候，并沒有一個統(tǒng)一的過程。有些人選擇在分析時開始，而另一些人則在最初的分析完成之后，將其作為一個單獨(dú)的步驟。
最后，我看到的每一份分析手冊都有確定的讀者（初學(xué)者或資深研究者），這會影響分析和寫作。
在一些更受歡迎的比賽中，或是針對普通研究人員的比賽中，EDA 分析都是詳盡無遺的。在這些 EDA 中，我也看到了一種趨勢，即在分析的同時穿插補(bǔ)充或敘事來幫助初學(xué)者更好地理解技術(shù)。
相比之下，針對更資深的研究者的筆記則傾向于去掉多余的敘述性描述，許多還跳過了基本的數(shù)據(jù)分析，而是直接轉(zhuǎn)到特定領(lǐng)域的技術(shù)中去。
特別鳴謝 Michelle Lew、Ari Zilnik、 Sean Matthews 和 Bethany Basile，感謝他們對這篇文章的審閱。
雷鋒網(wǎng) AI 研習(xí)社編譯整理。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
