为了验证，研究者把数据集中的所有证件照以相等的概率随机标记为“正类”（positive）和“负类”（negative），并重做上述实验。结果表明，分类的平均正确率是48 %，正类和负类的错误率分别是 51% 和 50%。

　　区别特征

　　研究者接着采取机器学习的方法验证面部特征与犯罪性的关系，其方法是利用特征生成机（Feture Generating Machine，FGM）抓取面部的差别性特征（上图红框区域），比较的特征分别是眼内角间宽 d，鼻唇角角度 θ ，以及嘴角弧度 p。结果如下：

　　三个判别特征的直方图

三个判别特征 p，直播，d，θ 的平均值和方差

　　结果显示，犯罪者的鼻唇角角度 θ 的平均值比非犯罪者大 19.6%，而且方差也更大；同样，犯罪者的平均嘴角弧度 p 比非犯罪者大 23.4%，但犯罪者的眼内角间距 d 比非犯罪者的稍小（5.6%）。这些结果证明了面部的区别特征可用于判断人的犯罪性，进一步地，能用于预测一个人是否倾向于犯罪。

　　结论

　　研究者在论文的结论中称，“通过多方面的实验和有力的交叉验证，我们证明了通过有监督的机器学习，由数据驱动的人脸分类器能够有效地推断人的犯罪性。此外，我们还发现了非犯罪者的面孔具有常态的规律性（相似性），在控制民族、性别和年龄等因素下，一般守法公民的面部表情比犯罪者的面部表情变化更少。”

　　讨论

　　有关这项研究的争论很多，下面从 Hacker News 上选取了几则，也欢迎读者留言讨论。

　　来自 nl：

　　当我阅读摘要时，我以为这是在开玩笑，但它看起来确实是一篇论文。尤其是这一段，这是我见过的“研究人员没有理解他们在做什么”的最糟糕的例子之一：

　　“与人类检察官/法官不同，计算机视觉算法或分类器绝对客观，它们没有情绪，没有由于过去的经验、种族、宗教、政治观念、性别、年龄等因素产生的偏见，没有精神疲劳、睡不好、吃不好等先决条件。自动推断犯罪性排除了元精确性（人类检察官/法官的能力）的变数。”

　　拜托，请读读《数学杀伤性武器》（Weapons of Math Destruction）了解优秀的机器学习是如何发现并利用数据集中的偏见的。

　　来自 AbrahamParangi ：

　　我同意这种研究是有很长历史的伪科学（例如冥想学），甚至可以说这种研究是不负责任的。但我认为不应过度规定什么是有趣的科学，什么是有用的科学。可能它揭示了一些非常有趣的关系，如果它不做我们就可能错过这些发现。

　　来自 a_bonobo：

　　看起来他们没有把两个训练集（犯罪者/非犯罪者）分成两个测试集和训练集？

　　来自 ongoodie：

　　总的来说，我认为结果并不令人惊讶。大的遗传偏差会导致行为偏差和面貌的异常。另一方面，这个研究对执法来说毫无用处，因为对一般人来说，大多数看起来像犯罪分子的面孔其实是一般守法公民。但事实是，我们不喜欢这个研究的结果，不代表这个结果就是假的。可以参见第4页看它的验证，他们发现随机对图像进行标记无法产生这样好的分类结果。

　　Google:用更智能的机器学习对抗歧视