🔍 マークシート読み取りアルゴリズム比較

💡 マークシート読み取り = 2クラス分類問題

各選択肢領域が「塗られているか否か」を判定する問題を機械学習では2クラス分類問題と呼びます。

• しきい値法（古典的）: 塗り面積率が一定を超えたらマーク 1次元の直線で分類
• K-means法 v4.5（現代的）: 7次元特徴量空間でデータの分布を見て自動的に2グループに分類

同一の答案紙 155 枚 450 領域 = 69,750 サンプルで両者を比較します。

🤔 新アルゴリズムの変化

center_edge_ratio でマーク内部の濃度パターンを評価、のコンテキスト特徴量で「生徒ごとの筆圧差」と「設問内の相対的な濃さの差」を加味するため、消し残りや薄いマークの判定精度が向上しました。

📌 境界の違い

しきい値法では filled_ratio = 0.4 の縦線が機械的な境界です。K-meansは分布の「谷」を7次元で自動発見するため、filled_ratio だけでは判断が難しいケースも適切に分類できます。

💡 PCAとは？

7次元のデータを「情報をなるべく失わないように」2次元に圧縮します。X軸(PC1)〜Y軸(PC2)の割合が寄与率で、高いほど元のデータをよく説明しています。「不一致のみ」タブでは2つの手法で判定が割れた点だけがオレンジで強調されます。

📌 しきい値のジレンマ

しきい値を下げるとダブルマーク増、上げるとノーマーク増。K-means v4.5 は ダブルマーク - / ノーマーク - を同時に達成しています。コンテキスト特徴量が「この生徒の中で相対的に一番濃いのはどれか」を判断材料に加えるためです。

🎯 3つのポイント

1. 多次元空間での分類: しきい値法は1次元の直線、K-means v4.5は7次元の超平面で分類。「面積率は低いが、輝度パターンや設問内比較からマークと判断できる」という複合的な判断が可能。
2. コンテキスト情報の活用: normalized_filled は生徒ごとの筆圧差を補正、question_contrast は「この答案のこの設問で、最も濃く塗られたのはどれか」という相対比較を加味。鉛筆のかすれや消し残りの判別に有効。
3. 適応的な境界: しきい値は人手で固定、K-meansはデータを見て自動決定。スキャナーや用紙の違いに対してロバスト。