人臉辨識為什麼比房價預測難？機器學習五步驟走向神經網路

1 前言

這篇是「機器學習基礎觀念」系列的第 10 篇。前面幾篇我們把機器學習解題的五個步驟走過一輪（定義問題、建立資料集、模型訓練、模型評估、模型推論），也分別套用在「房價預測」這個監督式學習問題，以及「探索書籍風格」這個非監督式學習問題上。

那兩個問題用的是 Linear Regression Model 與 K-Means Clustering Model，都算是比較傳統的機器學習模型。這篇要換一個難度高一階的題目：人臉辨識 (Face Recognition)。同樣的五個步驟不會變，變的是中間那個「模型」——傳統模型在這題上會卡住，得換成神經網路才做得動。

2 Step 1：定義問題

人臉辨識這項技術早就滲進日常生活了，解鎖手機、進出社區大門，背後都是它。

先設定一個具體的情境，後面每個步驟都會回到這個情境上。假設你是個很在意隱私的人，希望白天上班的時候，調皮的弟弟不能隨便進你房間。打一把鑰匙給自己你又嫌麻煩，因為你很清楚自己一定會弄丟。於是你決定做一套人臉辨識系統：只有辨識出「是你」的時候，電子門鎖才會開。

要做出這套系統，核心是訓練出一個能分辨「你的人臉」的模型。輸入是「一張圖片」，輸出是這張圖片所屬的「類別」。我們事先把類別定義成兩種：

• 類別 A：圖片中包含你的人臉
• 類別 B：圖片中不包含你的人臉

為了訓練這個模型，我們要準備大量圖片，每張不是類別 A 就是類別 B。因為這些圖片的類別是我們事先標注好的，等於有標準答案在旁邊盯著模型學，所以這題屬於監督式學習 (Supervised Learning)。而模型的輸出是一個「類別」而不是一個連續數值，所以任務型態是分類 (Classification)。

定義問題這一步看起來很像在講廢話，但它決定了後面三步該怎麼走：知道是監督式學習，才知道資料一定得帶標籤；知道是分類任務，才知道評估時該看準確率而不是誤差值。

3 Step 2：建立資料集

資料集的準備大致可以拆成四個階段。

• 收集資料 (Data Collection) 如果要「從零」訓練一個模型，就得準備大量已經標注好類別的圖片。資料量不夠的話，模型很容易在訓練過程中出現「過擬合」(Overfitting)——白話一點說，就是模型把訓練資料背起來了，考古題答得很漂亮，換一張沒看過的照片就開始亂猜。這時候可以用 Data Augmentation 技術來緩解：把既有的圖片旋轉、翻轉、裁切、調整亮度，變出更多樣的訓練樣本。
• 資料探索 (Data Exploration) 與資料清理 (Data Cleaning) 資料集的品質會直接決定模型的上限，所以這一步要盡可能提升圖片品質、確保標注正確。例如把模糊的照片挑掉、檢查標籤有沒有貼錯。也可以寫個程式把所有圖片的尺寸與格式統一，方便後面訓練。
• 資料向量化 (Data Vectorization) 模型吃的是「數值」不是「圖片」，所以要先把圖片轉成矩陣。以下圖為例，左邊是一張黑白圖片，右邊是表示這張圖片的矩陣，矩陣中的 0 表示該 Pixel 為「黑」、1 表示該 Pixel 為「白」。彩色圖片則是由 RGB 三個 Channel 組成，所以會用三個矩陣來表示。

• 分割資料 (Split Data) 模型訓練完之後，我們需要用「模型沒看過的資料」來評估它的好壞，所以要先把整個 Dataset 拆成 Training Dataset 與 Testing Dataset，常見比例是 80% : 20%。用 Training Dataset 訓練，用 Testing Dataset 評估。如果拿訓練用過的資料來評估，就像讓學生考他剛剛才對過答案的考卷，分數再高也沒有參考價值。

4 Step 3：模型訓練

前兩篇文章用的是傳統機器學習模型（Linear Regression Model、K-Means Clustering Model），但在人臉辨識這題，我們改用神經網路模型 (Neural Network)。

原因很直接：傳統模型需要人類先幫它整理出「有意義的特徵」，可是人臉的特徵實在太難用手寫規則描述——眼距、膚色、輪廓，再加上拍攝角度與光線變化，寫一輩子也寫不完。神經網路的強項就是自己從原始像素裡把這些特徵學出來，能處理的問題也因此比傳統模型更廣、更難。神經網路本身的細節不在這篇的範圍內，之後會有專門的文章談。

神經網路底下還分成很多種模型，各自擅長不同任務。前面定義問題時，我們已經把人臉辨識視為「圖像分類」(Image Classification)，而面對「圖像」這種輸入資料，卷積神經網路 (Convolutional Neural Network, CNN) 是第一首選。CNN 擅長把圖像中重要的特徵萃取出來，例如邊緣、輪廓這類局部圖樣，再一層一層組合成更完整的概念，進而拉高圖像分類模型的預測準確度。

5 Step 4：模型評估

模型訓練完之後，我們會拿 Testing Dataset 搭配統計指標 (Statistical Metrics) 來衡量品質。最直覺的是 Accuracy，也就是單純算模型答對的比例。

但只看 Accuracy 常常會被騙。回到我們的房門情境：如果攝影機拍到的畫面大多數時間是空的（類別 B），一個什麼都不學、永遠回答「不是你」的模型，Accuracy 也可以衝到很高——但它完全沒用，因為你也永遠進不了自己房間。正因為這種特性，才會有 Confusion Matrix、Precision、Recall 與 ROC Curve 這些指標，這部分留到之後的文章介紹。

6 Step 5：模型推論

模型評估過關之後，就可以正式上線當你的「房間守衛」了。攝影機每拍一張圖片，就丟進模型，由模型預測類別，再依照結果採取對應的動作。

判斷是類別 A 的機率比較高，就解鎖房門；判斷是類別 B 的機率比較高，就發出警報。到這裡，五個步驟才算真正閉環：定義出來的問題，最後變成一個會做決定的系統。

7 結論

這篇我們再一次走完機器學習的五個步驟，只是這次解的是「人臉辨識」。對電腦來說，認人臉一直是相當困難的任務，直到神經網路 (Neural Network) 出現才大幅拉高準確度，也讓人臉辨識能真的落地到手機解鎖、門禁這些日常場景。

整篇看下來，五個步驟本身沒有變，變的只是中間選用的模型。下一篇會往神經網路裡面走，看看它到底是怎麼運作的。