过去的心理学和神经科学研究经常研究人类在社交互动中如何感知不同的面孔。一些研究表明，平均而言，人类倾向于发现某些面孔比其他面孔更具吸引力，因此他们对特定面孔的评分可能相似。

最近，计算机科学家一直在尝试使用机器学习来预测人类通常会找到多大的吸引力。虽然其中一些模型取得了有希望的结果，但并非所有模型都能很好地概括不同的图像。

德黑兰伊斯兰阿扎德大学的研究人员创建了一个新模型来评估图像中不同人脸的面部吸引力。这个模型发表在《国际工程认知计算杂志》(International Journal of Cognitive Computing in Engineering)上，被发现可以预测人类对不同面孔的平均吸引力分数，并且具有惊人的准确性。

“这篇论文提出了一种使用机器学习和计算机视觉技术预测面部吸引力问题的新方法，”Mohammad Karimi Moridani，Nahal Jamiee和Shaghayegh Saghafi在他们的论文中写道。“我们的主要目标是研究智能机器是否可以根据面部特征的客观规则学习并准确预测面部吸引力。

Moridani，Jamiee和Saghafi最初开始测试不同的机器学习方法，以预测人类如何评价面部的吸引力。为此，他们收集了一系列数据集，其中包含不同女性的面孔以及人类受试者给出的相应平均吸引力排名。

研究人员数据集中的面孔来自一个名为“100年全球2020位最美丽的女性面孔”的纪录片风格的YouTube视频，该视频以来自不同种族背景的女性为特色。此外，该团队还使用了Lab London Database，这是一个由De Bruine及其同事编制的数据集，其中包括18至54岁男性和女性的面孔。

使用这些数据集，Moridani，Jamiee和Saghafi训练了不同的模型，包括一个基于k-最近邻(KNN)的模型和一个基于支持向量回归(SVR)的模型。然后，他们测试了这些方法的能力，以估计人类可能给不同面孔的吸引力分数。

“该模型使用面部特征参数，如对称性和比例，作为输入来确定吸引力排名作为输出，”Moridani，Jamiee和Saghafi在他们的论文中解释说。

“我们使用几个指标评估了经过训练的预测模型的性能，包括决定系数 (R2)、均方根误差 (RMSE) 和平均绝对百分比误差 (MAPE)。在测试阶段使用 KNN 算法实现了最佳性能，R2=0.9902、RMSE=0.0056 和 MAPE=0.0856。这表明与以前的研究相比，面部吸引力预测的准确性显着提高。

研究小组发现，KNN算法对人类感知的面部吸引力产生了最好的预测。值得注意的是，他们基于KNN的模型被发现优于以前论文中引入的估计人脸面部吸引力的其他方法。

“与该领域的先前研究相比，我们的方法显示出准确性的显着提高，相关系数高于人类评级，”Moridani，Jamiee和Saghafi在他们的论文中补充道。“这项工作对心理学，神经科学和计算机科学领域具有重大意义，因为它为面部吸引力的概念及其使用机器学习的量化提供了新的视角。