作为2017年9月23日至24日在巴丹举行的Tech Caravan的一部分，我被要求发表有关实用机器学习的演讲。我决定创建一个情感检测程序，例如Microsoft的Emotion API。 它接受上面带有面孔的图像，猜测脸上的情绪，然后将其打印在控制台上。 我所构建的内容能够获得〜75％的准确性。
在这个故事中，我将谈论在构建情感检测程序时学到的东西，因此我将不详细介绍其构建方式。 请查看幻灯片的链接和底部的代码。
如果有人以前做过，那是可行的
当我第一次同意进行演讲时，我不知道如何构建情绪检测程序，但是我认为如果有人能够做到，那么我可能会做到。 它可能不尽如人意，但却是可行的，而这正是我所做的。 我的准确率大约为75％，这还不错。
找到好的功能
我认为除了眼睛，眉毛和嘴唇的线条长度和角度之外，我还可以尝试找到更好的功能来解决此问题，但是我受时间的限制，没有时间来提取更好的功能。
都是关于数据的
如果您的数据很糟糕，那么您的机器学习算法将毫无意义。 您应该获得很多彼此不同（多种）的数据（卷）。 这样，模型就不会过拟合，并且可以预测从未见过的数据。
数据也应正确处理。 删除不相关的特征 （降维）和规范化数据可提高构建模型的准确性。
获取原始数据，提取功能，清理和处理结果数据是构建此程序过程中最大，最困难的部分。 一切都与数据有关。
选择正确的算法
有备忘单可以帮助您选择所需的算法，例如：
- Microsoft Azure机器学习备忘单
- scikit-learn算法速查表
如果这些算法不太奏效，请尝试为数据增加更多的数量和种类。 另外，您可以尝试与该算法相关的其他算法。 例如，我最初使用随机森林和AdaBoost作为集成学习算法，但发现极端随机树在此问题上的表现更好。
坦白说，考虑到75％的准确度，这些算法对于该问题不是最理想的。 我本可以使用卷积神经网络，它更适合需要从图像中学习的任务。 我认为我没有足够的处理能力，所以我没有使用它。
函数式编程适用于机器学习
有人会认为这是可行的，因为我正在处理数据，但是我必须自己看看。 因此，我在Python中构建了Maybe 。 读取Python代码（已经非常容易读）变得更加令人满意，从而使它更具可读性。 也很容易看到问题所在，因为它现在看起来像管道。 使它并行工作会更好，但由于我没有计划，因此需要更多的重组。 但是因为它是功能性的，所以很容易使事情并行进行。 凭借这一经验，我深信函数式编程可以与机器学习一起使用，并且将来我会继续这样做。
幻灯片和代码
代码胜于雄辩 。
如果您想知道我是如何建造的，请在这里查看我的幻灯片：
http://jpa-emotion-detection-slides.surge.sh/#slide=1
您可以在这里查看代码：
johnpaulada /情感检测泊坞窗
情感检测泊坞窗–在Python中几乎（从零开始）进行情感检测。 此仓库包含Dockerfile和 github.com。
如果您喜欢这个故事，请尽可能按一下拍手按钮！
如果您有任何意见，请在下面写下！
非常感谢！
