セクシー女優で学ぶ画像分類入門

51,160 views
51,302 views

Published on

セクシー女優で学ぶ画像分類入門

Published in: Technology
1 Comment
185 Likes
Statistics
Notes
No Downloads
Views
Total views
51,160
On SlideShare
0
From Embeds
0
Number of Embeds
7,745
Actions
Shares
0
Downloads
276
Comments
1
Likes
185
Embeds 0
No embeds

No notes for slide

セクシー女優で学ぶ画像分類入門

  1. 1. セクシー女優で学ぶ画像分類入門tkm2261@TokyoWebMining#262013年5月18日Tokyo WebMining #26 1
  2. 2. 解析動機2013年5月18日Tokyo WebMining #26 2最後の春だし画像処理の勉強でもしとくか後輩からAV女優の類似画像検索の話を聞く (ぱろすけ 2012)DMMにはアフィリエイトあったよなこれでウェブサービス作れば儲かるかも決して下半身からの要望で解析したのではありませんhttp://blog.parosky.net/archives/1506
  3. 3. 計算環境2013年5月18日Tokyo WebMining #26 3使用言語:Python 2.7 (少しだけR)使用モジュール:Numpy, Scipy, OpenCV科学技術計算用のライブラリ MATLABにできることは大体できる numpy.ndarray 型付き多次元配列 numpy.linalg 線形代数計算 scipy.cluster 今回はこれのk-means法を使用 scipy.sparse 疎行列用のライブラリ ←オススメ最近はscikit系(scikit-learnなど)も有名にNumpy, Scipy
  4. 4. 脱線:BLAS と LAPACK2013年5月18日Tokyo WebMining #26 4数値計算をやると裏で必ずお世話になるのがこの2つ Basic Linear Algebra Subprograms (BLAS)-線型代数計算を実行するライブラリの標準仕様 Linear Algebra PACKage (LAPACK)-BLAS上に構築された固有値計算などの高位な線形代数計算ライブラリ現在様々なBLAS実装が公開されている Intel MKL … MATLABはコレ 有償 すごく速い・高い・安心! ATLAS … 自動チューンのBLAS BSD 速い GotoBLAS2 … 後藤和茂氏作成のBLAS BSD かなり速い 開発停止 OpenBLAS … xianyi氏によるGotoBLAS2の後継BLAS BSD すごく速い(MATLAB, R, Octave, numpy …)計算が遅い時、4つのどれかの導入すると幸せになれるかも?・・・
  5. 5. BLASの比較2013年5月18日Tokyo WebMining #26 5引用:R BLAS: GotoBLAS2 vs OpenBLAS vs MKL (http://blog.felixriedel.com/2012/11/r-blas-gotoblas2-vs-openblas-vs-mkl/)実行コードA = matrix(rnorm(n*n),n,n)A %*% Asolve(A)svd(A)RのデフォルトBLASから何倍早くなったか検証してるサイトがあったので紹介 最大で11倍ほど高速化 MKLが基本的に一番高速 OpenBLASも所によってはMKLを上回ることも マルチスレッド環境では導入は必須かも
  6. 6. Unofficial Windows Binaries for Python Extension Packages2013年5月18日Tokyo WebMining #26 6Win機でBLASをビルドするのはちょっと手間がかかる・・・なんとIntel MKLでビルドされたNumpyが配布されていますWin機の方はこれを入れるのが最も良さそうUnix系の方はOpenBLASでビルドするのがオススメhttp://www.lfd.uci.edu/~gohlke/pythonlibs/
  7. 7. OpenCV (Open Source Computer Vision Library)2013年5月18日Tokyo WebMining #26 7インテルが開発・公開したオープンソースの画像処理ライブラリBSDライセンスなのに画像処理はこれ一つで大体なんでもできる学習済みデータも入っているので、デフォルト状態で顔認証も可能パラメータチューンしないと精度は出ませんが・・・OpenCVのPythonモジュールも先ほどのサイトでバイナリ入手可能
  8. 8. ここまでのまとめ2013年5月18日Tokyo WebMining #26 8 BLASを変えると幸せになれるかも? 環境構築はWin機なら、全て「次へ」だけでインストール可能 LINUXはOpenCV以外はyumやapt-getでインストール可能 Python 2.7 Numpy 1.7.1 Scipy 0.12.0 OpenCV 2.4.5 R 2.13.2しかしNumpyのBLASは低速の可能性
  9. 9. 画像収集2013年5月18日Tokyo WebMining #26 9解析のための画像収集の方法を今回は2つ考案方針1:Bing Search APIの活用API使用上限と画像の質で断念方針2:DMMのAV女優名鑑から収集成功!
  10. 10. 方針1:Bing Search APIの活用2013年5月18日Tokyo WebMining #26 10① WikipediaのAV女優一覧から約3000人の名前を収集② Microsoftアカウントを作成し、APIKEYを取得③ 以下のコードで女優名でBing画像検索 結果をJSON形式で取得ImageFiltersによって顔画像かつ写真に限定#! /usr/bin/python# -*- coding:utf-8 -*-import urllibimport requestsimport jsonurl = https://api.datamarket.azure.com/Bing/Search/Image?key = APIKEY#api keyを入れるq=“検索文字列(女優名)"param = {Query:"%s"%q, #クエリを入れるAdult:"Off", #アダルトフィルタoffImageFilters:"Face:Face+Style:Photo", #顔画像で写真のみ}req_url = url + urllib.urlencode(param)result = requests.get(req_url + json_param,auth=(key,key))注意:これは簡略版ですこれを女優人数だけfor文で回しますその後に女優数が増加し、API無料使用上限の月5000回を超過さらに胸部まで含まれていたり質が若干物足りなかった(大体はOK)Googleは一日100回まで無料
  11. 11. 方針2:DMMのAV女優名鑑から収集2013年5月18日Tokyo WebMining #26 11クローリング手法なので非公開会場で実演解説します• 顔画像• 年齢 (非公開多数)• スリーサイズ• 趣味・特技この結果、AV女優7092人のを収集
  12. 12. 画像からの特徴抽出2013年5月18日Tokyo WebMining #26 12ここまでで画像収集が終わりました。次は画像をベクトルで表現しますベクトルで表現出来てしまえば、お馴染みの各種データマイニング手法が使いたい放題どんな特徴をでベクトルを構成するのかが最も重要Ex) テキストマイニングよく使われるbag-ofーwordsは文書を単語の頻度ベクトルで表現すもも 名詞,一般,*,*,*,*,すもも,スモモ,スモモも 助詞,係助詞,*,*,*,*,も,モ,モもも 名詞,一般,*,*,*,*,もも,モモ,モモも 助詞,係助詞,*,*,*,*,も,モ,モもも 名詞,一般,*,*,*,*,もも,モモ,モモの 助詞,連体化,*,*,*,*,の,ノ,ノうち 名詞,非自立,副詞可能,*,*,*,うち,ウチ,ウチすもももももももものうちすもも も もも の うちその他の日本語全単語1 2 2 1 1 0日本語全単語数※MeCabで解析
  13. 13. 画像からの特徴抽出2013年5月18日Tokyo WebMining #26 13一番有名な画像の特徴はカラーヒストグラムRGBを8bitで表すと、256x256x256=16777216次元のベクトルで表現可能しかし、色情報だけで駄目そうなのはご想像の通り
  14. 14. 画像からの特徴抽出2013年5月18日Tokyo WebMining #26 14照明影響不変回転不変拡大縮小不変特徴量 特徴量次元 用途SIFTSURF○ ○ ○ 特徴点毎 128細かい特徴把握パノラマ写真HOG ○×※1×※1画像に一つ分割数依存大まかな特徴把握Haar-like ○×※2○※3画素ごと 矩形種類数顔など形状が決まっているものに強い画像から特徴を抽出する手法はいくつか提案されている引用:画像認識の初歩、SIFT,SURF特徴量 (http://www.slideshare.net/lawmn/siftsurf)※1 別の方法で補完 ※2 学習画像による ※3 矩形の大きさで調整今回はSURF特徴量を採用
  15. 15. SURF特徴量 (2008 Herbert Bay et al.)2013年5月18日Tokyo WebMining #26 15画像内の特徴的な点を128次元のベクトルで表した特徴量詳細については、「画像認識の初歩、SIFT,SURF特徴量」などを参照(http://www.slideshare.net/lawmn/siftsurf)44特徴点324特徴点画像を44個や324個の128次元ベクトルで表現することができたひとつのベクトルで表現するまで後少し!import cvim = cv.LoadImageM(imagePath , cv.CV_LOAD_IMAGE_GRAYSCALE) #画像読み込みcv.ExtractSURF(im , None , cv.CreateMemStorage() , (1 , 500, 3, 4))で取得可能
  16. 16. Bag of Keypoints2013年5月18日Tokyo WebMining #26 16テキストマイニングで用いられるBag of Wordsを画像へ応用した手法Bag of Features, Bag of Visual Wordsとも呼ばれるBag of Keypoints:ある特徴(SURF)が何度登場したかの頻度ベクトルSURFは128次元の連続値ベクトルなのに頻度とは?ベクトル量子化を行うすもも も もも の うちその他の日本語全単語1 2 2 1 1 0Bag of Words:ある単語が何度登場したかの頻度ベクトル
  17. 17. K-means法によるベクトル量子化2013年5月18日Tokyo WebMining #26 17① トレーニング用画像集合からSURF特徴量を抽出② SURF特徴量をk-means法でクラスタリング(今回は100クラスタ)③ 各クラスタのセントロイドを代表ベクトルとする④ 対象の画像からSURF特徴量を抽出し、最も近い代表ベクトルに割り当ててヒストグラムを作る人工知能に関する断創録:Visual Wordsを用いた類似画像検索(http://aidiary.hatenablog.com/entry/20100227/1267277731)より引用http://tech.nitoyon.com/ja/blog/2009/04/09/kmeans-visualise/k-means法についてはコチラ→
  18. 18. K-means法によるベクトル量子化2013年5月18日Tokyo WebMining #26 18http://tech.nitoyon.com/ja/blog/2009/04/09/kmeans-visualise/k-means法についてはコチラ→ トレーニング用画像集合は500画像をランダムで抽出-この500画像も④ステップの本番画像に含めます 今回はユークリッド距離が最も近いものに割り当てた-最近傍探索は総当り (各特徴点に対し100個の代表ベクトルとの距離を全て計算) ヒストグラムは特徴点数で割った-各画像の特徴点数による影響を排除今回の問題への適用① トレーニング用画像集合からSURF特徴量を抽出② SURF特徴量をk-means法でクラスタリング(今回は100クラスタ)③ 各クラスタのセントロイドを代表ベクトルとする④ 対象の画像からSURF特徴量を抽出し、最も近い代表ベクトルに割り当ててヒストグラムを作る
  19. 19. 女優の分類2013年5月18日Tokyo WebMining #26 19クラスタリング手法は大きく分けて2つ階層的クラスタリング近いものをくっつけたり、遠いものを別クラスタに分類していく手法集合間の近い、遠いって何? 様々な手法が提案非階層的クラスタリング(k-means法)k-means法に代表される手法計算コストが安く、程々によい分類が得られ、様々な場面で多用7000人の分析は難しいので、ひとまずk-means法で10クラスに分類from scipy.cluster.vq import kmeans2centroid, label = kmeans2(X) #Xはnumpy.ndarrayで実行可能濱田さんの 「R言語プログラミング: クラスター分析 - 階層的クラスタリング」http://d.hatena.ne.jp/hamadakoichi/20100324/p1 などを今回参考
  20. 20. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 20クラスタ1クラスタ2
  21. 21. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 21クラスタ3
  22. 22. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 22クラスタ4
  23. 23. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 23クラスタ5
  24. 24. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 24クラスタ6クラスタ7←の画像のクラスタ
  25. 25. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 25クラスタ8
  26. 26. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 26クラスタ9クラスタ10
  27. 27. クラスタの可視化2013年5月18日Tokyo WebMining #26 27クラスタ間の関係が見えないと、似ているかの感覚が掴めない階層的クラスタリング前述多次元尺度構成法(MDS)類似度から低次元(2次元)へのプロットを生成する手法この二つでk-means法で得られたセントロイドを可視化Q.:k-means法したあと階層的クラスタリングやるのおかしくない?A.:よくわからないけど、変なことをやってる感じもないのでアリと判断
  28. 28. クラスタの可視化2013年5月18日Tokyo WebMining #26 28階層的クラスタリング 多次元尺度構成法※クラスタ間の類似度は完全連結法を使用 ※類似度にユークリッド距離を使用7000人分のbag-of-keypointsの結果への主成分析が第二主成分までで累積寄与率が10%程度だったので、こちらはあまり当てにならにかもRではcmdscale(距離行列)で実行可能Rではhclust (サンプルデータ)で実行可能
  29. 29. 分類結果(DMMオススメ女優353名のみ)2013年5月18日Tokyo WebMining #26 29村上みわ , 紫彩乃 , 野原もも , 小川あさ美 ,杏美月 , 雪見紗弥 , 佐山愛 , 辰巳ゆい , 吉沢みなみ , 紗奈 , 黒木いちか , 深田梨菜 , 鈴香音色 , Erina , 水嶋あずみ , 篠めぐみ , 管野しずか , 瀬奈ジュン , JULIA , 絵色千佳 , 倉木みお , 香月悠梨 , 和久井もも , 前田かおり ,小島みなみ , そらのゆめ , のはらももか , 朝桐光 , 瀬戸友里亜 , 新山かえで , 一色まりな ,平山こずえ , 小暮カレン , 百武あみ , 石原美希 , 北川杏樹望月加奈 , Maika , 寺澤しのぶ , 吉崎直緒 , 流海 , KAORI , 翔田千里 ,Rio , 東野愛鈴 , 恵けい , あいださくら , 小向美奈子 , 羽月希 , 琥珀うた ,北川瞳 , LISA , 堀咲りあ , 山本美和子 , 七沢るり , 藤澤美羽 , 吉野艶子 ,白木優子 , 双葉かな , 富永苺 , 上原花恋 , 冬木舞 , 藤崎エリナ , 坂口みほの寺島小春 , 志保 , 持田茜 , 恵ちとせ , 愛咲れいら , 芦名未帆 , 麻美ゆま , 水城奈緒 , 浜崎りお ,かすみりさ , めぐり , 園原みか , 澤村レイコ ,みづなれい , 若菜あゆみ , 羽田あい , ましろ杏 ,春菜はな , 瑠川リナ , 橘なお , 神ユキ , 宇佐美なな , 前田陽菜 , 後藤リサ , 上原保奈美 , 真木今日子 , 篠田ゆう , 西野まお , 香西咲 , 枢木みかん , 小倉ゆず , 星川なつ , 沙藤ユリ , 絵里奈モア , 杉崎杏梨 , 宮地由梨香 , 園咲杏里 , 松本メイ , 尾上若葉 , 伊藤りな , 千紘真奈美 , あやみ旬果 , 野宮さとみ , 緒川りお , 吉永あかね ,入江愛美①⑤⑥流川瞬 , 宇佐美奈々 , 友崎亜希 , 霧島あんな ,瀬名涼子 , YOKO , 竹内あい , 手塚美智子 , 大橋未久 , 芽衣奈 , ERIKA , 竹内結 , 月野りさ ,里美ゆりあ , 大槻ひびき , リコ , 桃音まみる ,友田彩也香 , 若葉くるみ , 内田美奈子 , 森川真羽 , 有村千佳 , ほしのあすか , 前田優希 , 梨果メリア , 瀬乃ゆいか , 由愛可奈 , 瀬名一花 , 鶴田かな , 本真ゆり , 平原みなみ , 若林優 , 春原未来 , 知世奏 , 立花樹里亜 , 山下優衣 , 小早川怜子 , みなみ愛梨 , 麻生希 , 乃ノ原みき , 月奈もえ , 渡辺なつみ , 古川いおり , 卯水咲流 , 雪本芽衣 , 仁科和子山口玲子 , 寺田美由紀 , 堤さやか , 灘ジュン , 鈴木麻奈美 , 友田真希 , めろん , 吉沢明歩 ,RIRICO , 二宮沙樹 , 妃乃ひかり , つばさ , RYU , 園原りか , 織田真子 , 野中あんり , 七海なな ,芹沢恋 , 希志あいの , 瀬名あゆむ , 並木優 , 中森玲子 , 石原莉奈 , 栗林里莉 , 波多野結衣 , 長澤あずさ , 希崎ジェシカ , 水沢真樹 , 成瀬心美 , 向井ゆうき , 希美まゆ , 椎名ゆな , 横山みれい , つくし , RUMIKA , 優木あおい , 瑠菜 , 梨杏 , 泉麻那 , 周防ゆきこ , 結城みさ , 藤原ひとみ , 橘ひなた , 椎名ひかる , 武藤クレア , Nina , すずきりりか , 木下若菜 , 加藤リナ , ももかさくら , 奥田咲 , TINA , 東尾真子 , 乃々果花 , さとう遥希 , 姫野ゆうり , 南梨央奈 , 音市美音 , 上原瑞穂 , 夏目優希 , 紗倉まな , 芹沢つむぎ , 稲川なつめ , 野村萌香 , 遥結愛 , 上原千尋 , 元山はるか , 藤下梨花 , ティア , 柳朋子 , 悠希めい , 星野来夢 , ELENA , ちとせりこ , 結夜 , 二階堂あい , ほのか美空 , 瀧川花音 , 山川青空 , 柏木美玲 , 夢乃あいかメイファ , 東城えみ , 瀬戸由衣 , かすみ果穂 ,野宮凛子 , 辻本りょう , つぼみ , 桃咲まなみ ,七咲楓花 , 森ななこ , 横山美雪 , 女池さゆり ,時越芙美江 , 北条麻妃 , ☆LUNA☆ , 一ノ瀬アメリ , 瀬奈涼 , 桜りお , 上原結衣 , 大堀香奈 , 江原あけみ , 星美りか , 仁科百華 , 菜月アンナ ,美雪ありす , 向井恋 , 西尾かおり , 月城ルネ ,上原亜衣 , 山河ほたる , 矢野未夏 , 遠藤ななみ ,椿ゆい , 二宮ナナ , 初美沙希 , 木村つな , 暮町ゆうこ , Ririca , 仁美まどか , 三浦恵理子 , 星野ナミ , Sumire , 春宮こころ , 柑菜リサ , 宗方志穂 , 板野有紀 , 江崎リリカ , 鈴村あいり , 鈴木心春③④⑧夢野まりあ , 西野翔 , 当真ゆき , 黒木麻衣 , 村上涼子 , 手塚真由美 , 若林美保 , 柳田やよい ,初音みのり , 茅ヶ崎ありす , 竹内紗里奈 , 川上ゆう , 冬月かえで , 艶堂しほり , Hitomi , 藤井シェリー , 有沢実紗 , 小西レナ , 藤沢芳恵 , 若菜亜衣 , 富樫まり子 , 黒沢那智 , 寺島志保 , 高橋美緒 , 滝川ソフィア , 若松かをり , 向井一葉 ,吉川あいみ三浦あいか , 渡瀬晶 , 瞳リョウ ,風間ゆみ , 乃亜 , Rico , 遥めぐみ , 鈴木さとみ , 流川純 ,RICA , 今井ひろの , 諸星セイラ , 北川エリカ , 近澤まゆみ ,矢部寿恵 , 松下ひかり , 百瀬乃々花 , 倉多まお , 若槻シェルビー② ⑨デヴィ , 寺崎泉 , 松本まりな , 牧原れい子 ,星野あかり , むかいねね , eco , 村西まりな ,このは , 西條るり , やまぐちりこ , 優希まこと , 桐谷ユリア , 日和香澄 , 吉咲あんり , 知花メイサ , 椎名理紗 , 栗山朋香 , きみの歩美 ,倉持結愛⑩
  30. 30. 考察2013年5月18日Tokyo WebMining #26 30「No Printing」の画像は正確に分類できた(クラスタ7)その他は上手く分類できているかわからない・・・ベクトル量子化の際に情報が落ちている可能性画像からあまり特徴点がとれなかったSURF特徴量の妥当性2chにスレ立てて聞いてみたが微妙な反応代表ベクトルとの距離といった情報を入れた方が良いかも顔認証と同様にHaar-Likeを用いるべきだったかしっかり論文をサーベイして精緻化が必要 今回はソースは全てネット「割りと本気だしてAV女優分類したんだが」 http://himasoku.com/archives/51771982.html
  31. 31. サービス化に向けて2013年5月18日Tokyo WebMining #26 31改善の余地があるにせよ、7092人分の類似度が得られたこれを使って① 6枚ぐらい女優の画像を表示② 好きな女優を選ばせる③ ①~②を3~10回ほど繰り返す④ あなたにオススメな女優を表示⑤ アドレスを登録してもらい、あなたにオススメの新作を月一回推薦するといったサービスを考え中、しかし ③を回答履歴から出題を変えたい ブラウザ側とどう共有すればいいんだ? 何で実装しよう Django? Rails? Node.js? 自前で実装?などの壁を感じているので、今日は「俺ならこうやる」を教えて下さい
  32. 32. 基礎集計結果2013年5月18日Tokyo WebMining #26 32女優の生年(7092人中3286人 残り3806人は非公表)1 3 1 3 7 6 7 10 1319 202842 47415739866895120191171187196216247234249203192141120936843201 1050100150200250300195519571960196119621963196419651966196719681969197019711972197319741975197619771978197919801981198219831984198519861987198819891990199119921993199419951998最大値:1955年 最小値:1998年
  33. 33. 基礎集計結果2013年5月18日Tokyo WebMining #26 33235208228274260271244212361328 328367050100150200250300350400女優の星座(7092人中3286人 残り3806人は非公表)遅生まれ早生まれが多い?
  34. 34. 基礎集計結果2013年5月18日Tokyo WebMining #26 34女優の身長(7092人中3427人 残り3665人は非公表)大体正規分布? 159cmが不人気1 1 4 1146266438975212218014624623321034210337113020219811217564 6594155117 175 4 10 4 3 3 1050100150200250300350400138139143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178182
  35. 35. 基礎集計結果2013年5月18日Tokyo WebMining #26 35女優のバスト(7092人中4610人 残り2482人は非公表)1 2 1 2 3 9 6 12911223773076143796014571855198137738123112339857145797315 5172173 6 7 1163 2 5 1 1 7 2 10100200300400500600700657072737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112115117118120124137ポアソン分布? 87,89cmが嫌気されている?
  36. 36. 基礎集計結果2013年5月18日Tokyo WebMining #26 36女優のカップ数(7092人中2731人 残り4361人は非公表)公表しているというバイアスが有りそう14147557622522350266124772815 5 1 1 1 1 10100200300400500600700Aカップ Bカップ Cカップ Dカップ Eカップ Fカップ Gカップ Hカップ Iカップ Jカップ Kカップ Lカップ Mカップ Nカップ Oカップ Pカップ Qカップ
  37. 37. 基礎集計結果2013年5月18日Tokyo WebMining #26 37女優のウエスト数(7092人中4610人 残り2482人は非公表)58cmが良いらしい 61cm以上は嫌気されている?3 1 9 19561533744311386670937129 14710751 4717 10 17 6 12 2 2 1 2 6 1 1 1 1 2 5 1 1 1 10200400600800100012001400160050 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 72 73 74 75 76 80 82 83 85 87 90 92 97 98 100
  38. 38. 基礎集計結果2013年5月18日Tokyo WebMining #26 38女優のウエスト数(7092人中4610人 残り2482人は非公表)正規分布? 80~90cmに抑えたいらしい3 2 1 1 1 1 4 1 14 9126672314514417396443727892202722053 4413 19 11 6231 13 3 2 1 4 1 2 1 1 2 1010020030040050060070080090058 60 65 68 72 73 75 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100102103104105108110118120121125
  39. 39. 女優の基礎情報集計結果2013年5月18日Tokyo WebMining #26 39女優の出身県(7092人中2262人 残り4830人は非公表)安定の首都圏
  40. 40. 女優の基礎情報集計結果2013年5月18日Tokyo WebMining #26 40女優の趣味・特技(7092人中2873人 残り4219人は非公表)安定の料理2732131461099888 8780 8065 655347 42 4132 31 30 30 27 25 25 24 20 19 19 18 18 16 15 14 14 13 13 12 12 11 11 11 11 10 10 10050100150200250300料理ショッピングカラオケピアノ音楽鑑賞読書水泳テニス映画鑑賞ダンス買い物お菓子作り旅行散歩ゲームスノーボードバレーボールドライブネイルアートマッサージ歌ネイル書道バスケットボール英会話スポーツコスプレダーツDVD鑑賞卓球絵を描くことアニメバレエバドミントン新体操バスケットバスケパソコン犬の散歩お買い物音楽剣道ゴルフ
  41. 41. 1人しか居なかった趣味・特技一覧2013年5月18日Tokyo WebMining #26 41歌を歌う事, テレビゲーム, グルメの旅, エアロビ, ボクシング, 働くこと, 手品, 書道三段, 子供と遊ぶ事, メイクをする事美術館めぐり, 漫画喫茶に行くこと, アウトドア, 海洋学, アイススケート, ローラブレード, 楽器, 買いもの, ペットと遊ぶ, 走ること部屋の模様替え, 早口言葉, アロマの香り集め, ブログ, 家事, DS, ディズニービデオ鑑賞, パズル, 温泉, ペットの世話漫画を書く, 競馬鑑賞, 太鼓, お香, プラネタリウム観賞, 洋裁, デパ地下巡り, 絵を書くこと, アクセサリー作り, グラビア鑑賞AV鑑賞, 生け花, ウォーキング, K1観戦, 歩くこと, ウェイトトレーニング, エッチ, 家で犬とゴロゴロ, プロレス, 犬のカット体操, すぐ寝れる, サンドイッチ作り, 模様替え, 通販, 作ること, 早起き, ペットのエサやり, ストレッチ, ショッピング DVD鑑賞絵本作り, 睡眠, スケボー, 動物の鳴き真似, お掃除, お城, ぷよぷよ, Sex&Drink&Rock’nRoll, 調教, 犬とお散歩書道5段, ジェットスキー, 蝶々モチーフのグッズ集め, 愛犬と遊ぶ事, サックス演奏, バトントワリング, ビーズ作り, 寝る, 猫のマネ, 居酒屋めぐり何処でも寝れる事, 蚊取り, 陸上競技, ボイトレ, サイクリング, ヘアメイク, ニーソ集め, おもちゃ屋さんに行く, 飴玉の反復横跳び, シッピングガチャピン関連グッズ収集, ツーリング, 球体関節人形作り, フランス語, クラッシックバレエ, トランス, 入浴剤集め, 自己投資, プーさん集め, 剃毛, タップダンス, 剣道初段, 映画観賞etc, 編物, 日舞, 友達にメイクをしてあげること, ランニング, 平泳ぎ, ジムで体を鍛えることアクセサリー集め, 人見知りしないこと, ボウリング, 家庭菜園, 半身浴, ドラクエ, 健康&美肌グッズ集め, スケート, そうじ, ウィンドウショッピング子供と遊ぶ, 三味線, チェス, 騎乗位, 飲みカラオケ, 耳かき, 笑う事, マリーちゃんグッズを集めること, PC, 何処でも寝れること迷子, 猫と遊ぶこと, ピンクの小物を集める, チェロ, 綱渡り, 空中ブランコ, ロシア語, ケーキ作り, 美の追求, 各国別ダンス沖縄県ダンス, ジャガーの写メを撮ること, 筋トレ, 温泉に行くこと, 竹馬, 海に行くこと, マリンスポーツ, 格闘技観戦, カラオケ 映画, ピラティスムツゴロウさん並に動物と仲良くなれる事, カラーコーディネイト, オイルマッサージ, マージャン, クラシック音楽鑑賞, スイミング, 資格をとることサッカー観戦, 球技全般, 簿記二級, ネイルサロン, ミシン, ジャズダンス, バレエ10年, UFOキャッチャー, 体を動かすこと, ゴロゴロすること体がとても柔らかい事, カラダ磨き, 歌う事, 器械体操, バンド活動, プロレス鑑賞, お裁縫, I字バランス, フルート演奏, ファンシーグッズ収集長電話, バリ舞踊, なぎなた, 原付に乗ること, 音楽を聴くこと, ピアノを弾くこと, 胸を使った一発芸, テトリス, 柔道, 弓道タイピング, 軟式テニス, デッサン, ピアノ演奏, じゅうなん♪, アクション, 早寝, じゃんけんが強い, ダイエット, 柔道2段英検3級, 漢検3級, クロスワード, ディズニーランドに行くこと, 中国語, アイドルを見ること。, 電卓早打ち, 百人一首, ジグソーパズル, アニメを見ること赤ワイン, HipHop, 髪いじり, 制服コスプレ, クラブ通い, 香水, 何処でも寝られること, 軟式野球, 陶芸, 猫, ヘアアレンジ教会, お寺巡り, 歌舞伎, 体が柔らかいこと, 温泉めぐり, 長距離走, 漫画を読む, オセロ, 漫画集め, 釣り, 運動, 遊ぶこと,自転車でお散歩♪, リラッ○マ収集, デジカメ, ケン玉, ブライス集め, スピードスケート, プロレス観戦, 軽音楽, クッキー作り, バイオリン♪パラパラ, ライブ, 風水, 映画を見る, 帽子集め, レポートを早く書く, さくらんぼのヘタを舌で結ぶ, 美味しい店を探す, ブラジリアンワックス, イタズラスケートボード, 野球観戦, 電卓, チアガール, 洋服を作れる事, Hなこと, そろばん, ブラインドタッチ, 身体のお手入れ, サンバ古着屋めぐり, ポエム, 体が柔軟, 似顔絵, 動物観察, 工作, 珠算, メイクの研究, 雑貨屋巡り, ジャズ鑑賞, ルービックキューブアルトサックス, 犬のお散歩♪, 楽器集め, 絵を描く事, お酒を飲むこと, 音楽を聴く, 健康オタク, どこでもすぐ寝れる, 数独, くまさん買物, ぬいぐるみ集め, 人懐っこい性格, くりくりお目目, 暗記, 映画観賞, 独学ダンス, サバイバルゲーム, 木琴, カフェ巡り作詞作曲, 友達と遊ぶ, リメイク, お笑い観賞, 車の運転, 下着集め, バイクに乗ること, 漫画を読むこと, カエル倒立, 音楽ゲーム合気道, ジャグリング, 家で遊ぶ, アイスクリーム屋さんめぐり, なわとび, バック転, 身体を動かすこと, ホラー映画鑑賞, 工場ウォッチング, 測量ドイツ語, お笑い, リラクゼーション, 萌え系アニメ鑑賞, 旅行のパンフレット集め, 息止め, 華, 和太鼓, せっけん集め, お花お琴, お出かけ
  42. 42. ご清聴ありがとうございました2013年5月18日Tokyo WebMining #26 42女優全員は載せられなかったのでモナリザにしてみました(7000人)http://2chnewswatch.info/ads/av_monariza.jpg (容量注意:7MB)

×