Kinect中的系統依賴于一組原始的理想輸出（也就是最初標記的數據）來生成識別器（機器生成的代碼）。而生成的識別器可以在實際應用中識別目標手勢。
同時，你很快就會發(fā)現要計算上一步中選定的特性會變成一個大數據問題。30幀每秒的測試視頻每小時的幀數超過10萬，而每幀的像素數大約是30萬個（新版Kinect還要多）。
即使你只是關注手部周圍128×128的目標區(qū)域，那么每只手上要分析的像素點也超過1.6萬個——也就是每幀6.4萬個（出現了4只手）。爾后你將提取出來的特性輸入到機器學習系統（應該叫眾多的開放系統的變體）中。
Sol沒有跟我們糾結各種機器學習算法間的區(qū)別，只是簡單說明只要有足夠的數據不同算法也會得到相近的結果（這點很容易理解）。在他們的項目中，他們采用的是ID3算法來創(chuàng)建決策樹。ID3算法計算每個屬性的信息增益，并選取具有最高增益的屬性作為給定集合的測試屬性。
如果最初選定的特性足以完成一個動作識別的判斷，那么系統生成的代碼就會在更多的“底層事實”上跑過。反之，你就要撤回到特性選擇的這一步。
許多關于機器學習的研究論文最后都以“手指朝上，手指場下”這樣的測試方法草草收尾。但對于Kinect這樣的消費級產品，Sol表示這遠遠不夠。為了達到推向市場的高標準，微軟采用了數千種測試條目并且開發(fā)了配套工具來分析不同類型的錯誤，從而回過頭來改善算法。他用了手的速率舉例：很顯然當手部快速移動時，捕捉到的手的位置信息會有比較大的偏差——所以抓握動作的識別算法還需要將這一點考慮進去。
在測試中，因為要分析大量的幀數，所以即使是識別正確率達到99.9%，測試的結果還是會在每小時內大量出錯。每次針對這些小故障的更新都需要對識別器（也就是用于動作識別的代碼）進行幾處改動。
Sol提到其中的一項更新就是區(qū)別左右手的圖像識別，兩者不能被當成鏡像對應，因為左右手的光線和陰影是不對稱的。
