diff --git a/CLAUDE.md b/CLAUDE.md
index b408e9c..2b8b5e9 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -5,7 +5,7 @@
 
 ## 開発進捗
 
-最新: PLAN_02 Step 7 の一部としてクラス不均衡対策（重み・バランス・サンプリング）を実装・実験（TEST_04）．次は学習率の公平な選び直し
+最新: 色特徴＋ロジスティック回帰が CNN と同等以上（込みで +0.04）と判明（TEST_05）．次は CNN と色特徴の併用・効いている特徴の分析
 ※ 本欄は**最新ステップ 1 行のみ上書き更新**．詳細な進捗履歴（動機・設計判断・失敗パターン）は [docs/PROGRESS.md](docs/PROGRESS.md) に追記する．運用ルールは `.claude/rules/progress-log.md` を参照（該当ファイル編集時に自動ロードされる）．
 
 ## 必須ルール（コード実装時）
@@ -102,3 +102,4 @@
 - データセット集計結果: docs/06_TEST/TEST_02_データセット集計結果.md
 - 交差検証結果: docs/06_TEST/TEST_03_交差検証結果.md
 - クラス不均衡対策の実験: docs/06_TEST/TEST_04_クラス不均衡対策の実験.md
+- 色特徴分類器の実験: docs/06_TEST/TEST_05_色特徴分類器の実験.md
diff --git "a/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md" "b/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md"
index c82b325..de96f1c 100644
--- "a/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md"
+++ "b/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md"
@@ -66,6 +66,7 @@
 | --- | --- | --- |
 | 5-fold 交差検証 | `uv run tias-train cv --config <設定>` | 学習・評価して `runs/<実験ID>/` に書き出す．最後に実験 ID を出力する（[SPEC_02](../04_SPEC/SPEC_02_学習・評価仕様.md)「交差検証の実行」） |
 | 手元での試運転 | `uv run tias-train cv --config configs/cv_synthetic.yaml` | 合成データ・小さなモデル・事前学習なし．CPU で十数秒 |
+| 色特徴分類器の交差検証 | `uv run tias-train color-cv --config <設定>` | CNN と同じ分割で色特徴＋ロジスティック回帰／勾配ブースティングを評価する（[SPEC_02](../04_SPEC/SPEC_02_学習・評価仕様.md)「色特徴分類器」）．GPU 不要．手元の試運転は `configs/color_synthetic.yaml` |
 | 回収した結果の集計 | `uv run python scripts/summarize_cv.py runs` | `runs/*_cv_*` を読み，モデル × 学習率 × 不均衡対策 × 条件ごとの表と，「除外 − 込み」「対策あり − 対策なし」の対応比較を Markdown で出す（[TEST_03](../06_TEST/TEST_03_交差検証結果.md) の表） |
 
 設定ファイル:
@@ -77,6 +78,7 @@
 | `configs/repeat/*_s43.yaml`・`*_s44.yaml` | 分割 seed を変えた繰り返し（seed 以外は元の設定と同一） |
 | `configs/lr1e-3/*.yaml` | ResNet-50・EfficientNet-B0 を学習率 1e-3 で回す設定（1e-4 では学習不足だったため．TEST_03） |
 | `configs/imbalance/*.yaml` | クラス不均衡の対策（`_cwinv`: 重み inverse・`_cwsqrt`: 重み sqrt_inverse・`_balanced`: バランス・サンプリング）．元の設定（ConvNeXt-Tiny・ResNet-50 lr 1e-3 の各 6 本）から対策のキーだけを変えたもの |
+| `configs/color/*.yaml` | 色特徴分類器（`cv_color_<logistic \| hist_gb>_<with_mild \| without_mild>[_s43 \| _s44][_cwinv]`）．分割・程度の設定は同名の CNN の設定と同一 |
 
 **サーバでの実行例**:
 
@@ -91,6 +93,7 @@
 uv run tias-remote pull <実験ID>         # 指標・図・ログだけが手元の runs/ に届く
 ```
 
+- 色特徴分類器は GPU を使わないので `--cpu` で回す（例: `uv run tias-remote run --name color1 --cpu --server Archimedes -- bash -c "tias-train color-cv --config configs/color/cv_color_logistic_with_mild.yaml;"`）．1 本は Archimedes で約 1 分・Newton で約 2 分（大半が画像の読み込みと特徴抽出．2026-09-28 実測）
 - ConvNeXt-Tiny の 5-fold 交差検証 1 本は Archimedes の RTX A6000 で約 2.5 分（2026-09-28 実測．画像の読み込み約 8 秒を含む）
 - 事前学習の重みは初回にサーバが Hugging Face からダウンロードする（`~/.cache/huggingface`）
 - ログに出る `lr_scheduler.step() before optimizer.step()` の警告は，混合精度で最初の数ステップの勾配がオーバーフローして捨てられたときに出るもので無害
diff --git "a/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md" "b/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
index d130a72..b43008a 100644
--- "a/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
+++ "b/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
@@ -60,6 +60,7 @@
 - **成果物**: 実験群（クラス不均衡対策・モデル比較・入力解像度・マスク外領域の埋め方）とその記録
 - **完了条件**: 各要因の効果が**独立した実験として**切り分けて記録されている
 - **注意**: 共用サーバのため使用する GPU を明示的に指定する
+- **進捗**: クラス不均衡対策（[TEST_04](../06_TEST/TEST_04_クラス不均衡対策の実験.md)）・色特徴分類器との比較（[TEST_05](../06_TEST/TEST_05_色特徴分類器の実験.md)）を実施
 
 ## Step 8: 結論 (Conclusion)
 
diff --git "a/docs/04_SPEC/SPEC_01_\343\202\242\343\203\274\343\202\255\343\203\206\343\202\257\343\203\201\343\203\243\350\250\255\350\250\210.md" "b/docs/04_SPEC/SPEC_01_\343\202\242\343\203\274\343\202\255\343\203\206\343\202\257\343\203\201\343\203\243\350\250\255\350\250\210.md"
index d46768f..d782fe5 100644
--- "a/docs/04_SPEC/SPEC_01_\343\202\242\343\203\274\343\202\255\343\203\206\343\202\257\343\203\201\343\203\243\350\250\255\350\250\210.md"
+++ "b/docs/04_SPEC/SPEC_01_\343\202\242\343\203\274\343\202\255\343\203\206\343\202\257\343\203\201\343\203\243\350\250\255\350\250\210.md"
@@ -149,6 +149,7 @@
 | --- | --- | --- |
 | `tias-dataset build-manifest` | `images/` を走査して `manifest.csv` を書き出す（既存があれば `--overwrite` が必要） | サーバ |
 | `tias-train cv --config PATH` | 5-fold 交差検証で学習・評価し，`runs/<実験ID>/` に書き出す（[SPEC_02「交差検証の実行」](SPEC_02_学習・評価仕様.md)）．最後に実験 ID を出力する | サーバ（GPU） |
+| `tias-train color-cv --config PATH` | 色特徴分類器（[SPEC_02「色特徴分類器」](SPEC_02_学習・評価仕様.md)）を同じ分割で交差検証し，同じ形式で書き出す（学習曲線・重みは出さない）．最後に実験 ID を出力する | サーバ（CPU） |
 | `tias-dataset survey` | データセットを集計して `runs/<実験ID>/` に集計値だけを書き出す（下記） | サーバ（結果の要約のみ手元へ） |
 | 学習 | 設定 YAML を受け取って学習する | サーバ |
 | 評価 | 学習済み run の評価・レポート生成 | サーバ |
diff --git "a/docs/04_SPEC/SPEC_02_\345\255\246\347\277\222\343\203\273\350\251\225\344\276\241\344\273\225\346\247\230.md" "b/docs/04_SPEC/SPEC_02_\345\255\246\347\277\222\343\203\273\350\251\225\344\276\241\344\273\225\346\247\230.md"
index 0f72afe..21952d1 100644
--- "a/docs/04_SPEC/SPEC_02_\345\255\246\347\277\222\343\203\273\350\251\225\344\276\241\344\273\225\346\247\230.md"
+++ "b/docs/04_SPEC/SPEC_02_\345\255\246\347\277\222\343\203\273\350\251\225\344\276\241\344\273\225\346\247\230.md"
@@ -189,6 +189,41 @@
 
 効果は，対策なしの結果と**同じ seed・同じ fold どうしの対応比較**で評価する（common の macro F1 と，クラス別の再現率・適合率・混同行列）．少ないクラスの再現率が上がっても，他クラスの適合率が下がる入れ替わりが起きうるため，全体の数字だけで判断しない．
 
+## 色特徴分類器 (Color Feature Classifier)
+
+ラベルが舌の色そのものであり，データが少ないため，舌領域の色の統計量を特徴にした古典的な分類器を CNN と**同じ分割・同じ評価**で比べる（`tias-train color-cv`．結果は [TEST_05](../06_TEST/TEST_05_色特徴分類器の実験.md)）．GPU は使わない．
+
+### 特徴量 (Features)
+
+元解像度の画像の**舌領域の画素だけ**から取る（背景は RGB がすべて 0 の画素．レターボックス縮小は補間で背景の黒が縁に混ざるため使わない）．長辺が `color.max_side`（既定 512．`null` で縮小しない）を超える画像は最近傍法で縮小する（新しい色を作らないため）．画素を CIE L\*a\*b\*（D65）に変換し，次の 107 次元を作る．
+
+| 特徴 | 次元 |
+| --- | --- |
+| L\*・a\*・b\*・C\*（彩度 √(a\*² + b\*²)）・h（色相角 atan2(b\*, a\*)．度，(−180, 180]）それぞれの平均・標準偏差（母標準偏差．ddof=0）・10/25/50/75/90 パーセンタイル | 5 × 7 = 35 |
+| a\*-b\* の 2 次元ヒストグラム（a\* [0, 50]・b\* [−10, 30] を 8 × 8 に等分．舌領域の画素数に対する割合） | 64 |
+| L\* のヒストグラム（[20, 100] を 8 等分．割合） | 8 |
+
+- ヒストグラムの範囲外の画素は端のビンに入れる（割合の合計を 1 に保つ）．範囲は全データの平均色（[TEST_02](../06_TEST/TEST_02_データセット集計結果.md)）を根拠に固定する
+- 色相角は 0° をまたがないよう (−180, 180] で表す（舌の色は赤〜紫で a\* > 0 に集まるため）
+- 舌領域の画素が無い画像は停止する（manifest の何件目かで示し，ファイル名は出さない）
+
+### 分類器と候補の選び方 (Classifier & Selection)
+
+設定の `color` 節で指定する（CNN の設定には不要．`color` 節が無い設定で `color-cv` を実行すると停止する）．
+
+| キー | 値 | 内容 |
+| --- | --- | --- |
+| `color.classifier` | `logistic`・`hist_gb` | 標準化＋多クラスのロジスティック回帰，または scikit-learn の HistGradientBoostingClassifier |
+| `color.logistic.c_values` | 正の数のリスト（既定 0.01・0.1・1・10・100） | 正則化の強さ C の候補 |
+| `color.hist_gb.learning_rates` × `max_depths` | 正の数・正の整数または `null` のリスト | 学習率と木の深さの候補（組み合わせ） |
+| `color.max_side` | 正の整数または `null`（既定 512） | 特徴抽出の前に縮小する長辺の上限 |
+
+- 分割は CNN と同じ（「交差検証の実行」の 1〜2.2．同じ seed なら `split.json` が完全に一致する）
+- 各 fold で，候補ごとに学習用データで学習し，**内側の検証の macro F1 が最良の候補**を採用する（厳密な改善で更新し，同点なら先の候補．CNN の最良エポックの選び方に対応）．採用したモデル（学習用データだけで学習したもの）で held_out を 1 回だけ予測する
+- `train.class_weighting` のクラス重み（「クラス不均衡」）を sample_weight として使う．`train.sampler: balanced` は未対応で，指定すると停止する
+- 学習用データに無いクラスの予測確率は 0 とし，5 クラスの形を保つ
+- 出力は CNN と同じ名前・同じ形式（「出力」）．ただし `history.csv`・学習曲線・重み（`checkpoints/`）は出さない．`metrics.json` の `environment.model_name` は `color_logistic`・`color_hist_gb`，最良エポックは `null` で，fold ごとの採用した候補（`selected_params`）と候補ごとの検証 macro F1（`candidates`），特徴名（`color_classifier`），特徴抽出の所要秒数（`timing.feature_extraction_seconds`）を加える
+
 ## 評価指標 (Metrics)
 
 | 指標 | 役割 |
@@ -218,5 +253,5 @@
 - 入力解像度 224 で足りるか（元画像は平均 675×614 で，約 1/3 に縮小することになる）
 - 黒背景が面積の大半を占めるため，正規化・統計を画像全体で取るか舌領域内のみで取るか
 - 「ややあり」を含めるか否かの結論（両条件の実験結果を見て決める）
-- ルールベース診断の取り込み方
+- ルールベース診断の取り込み方（色特徴分類器の「平均色だけ」の版を作れば，TIASjudge に近い条件の比較の土台になる．TEST_05）
 - 医師ラベルの評価者間一致率（分かれば性能の上限の目安になる）
diff --git "a/docs/06_TEST/TEST_05_\350\211\262\347\211\271\345\276\264\345\210\206\351\241\236\345\231\250\343\201\256\345\256\237\351\250\223.md" "b/docs/06_TEST/TEST_05_\350\211\262\347\211\271\345\276\264\345\210\206\351\241\236\345\231\250\343\201\256\345\256\237\351\250\223.md"
new file mode 100644
index 0000000..fde3189
--- /dev/null
+++ "b/docs/06_TEST/TEST_05_\350\211\262\347\211\271\345\276\264\345\210\206\351\241\236\345\231\250\343\201\256\345\256\237\351\250\223.md"
@@ -0,0 +1,85 @@
+# 色特徴分類器の実験 (Color Feature Classifier Experiments)
+
+舌領域の画素から取った色の特徴量（107 次元．[SPEC_02「色特徴分類器」](../04_SPEC/SPEC_02_学習・評価仕様.md)）と古典的な分類器で舌色 5 分類を行い，CNN（[TEST_03](TEST_03_交差検証結果.md)・[TEST_04](TEST_04_クラス不均衡対策の実験.md)）と**同じ分割・同じ評価**で比べた結果．ラベルが舌の色そのものであり，データが 1085 枚と少ないため，手作りの色特徴のほうが強い可能性を確かめる目的で行った．表は `uv run python scripts/summarize_cv.py runs` で再生成できる．
+
+| 項目 | 内容 |
+| --- | --- |
+| 実行日時 | 2026-09-28 10:54〜11:30 頃 |
+| 実行場所 | Newton・Archimedes の CPU（GPU は使わない．`tias-remote run --cpu`．2 台に 9 本ずつ） |
+| 本数 | 18 本（ロジスティック回帰・勾配ブースティング × ややあり込み／除外 × seed 42・43・44 ＝ 12 本，ロジスティック回帰＋重み `inverse` × 2 条件 × 3 seed ＝ 6 本） |
+| 分類器 | `logistic`（標準化＋多クラスのロジスティック回帰．C を 0.01〜100 の 5 候補から選ぶ）・`hist_gb`（HistGradientBoostingClassifier．学習率 2 × 深さ 2 の 4 候補から選ぶ） |
+| 候補の選び方 | fold ごとに，学習用データで各候補を学習し，内側の検証の macro F1 が最良の候補を採用する（CNN の最良エポックの選び方に対応） |
+| コード | `c66b8bd-dirty`（本ブランチの実装を実行時点で未コミットのまま使用．同じ seed で CNN と `split.json` が完全に一致することはテストで確認済み） |
+
+## 結果 (Results)
+
+common（「あり」と淡紅）の macro F1・正解率と，all（ややあり込みの全体）の macro F1．15 fold の平均 ± 標準偏差．CNN は各モデルの最良の構成だけを抜粋した（全体は TEST_03・TEST_04）．
+
+| モデル | 条件 | common macro F1 | common 正解率 | all macro F1 | mild→淡紅 |
+| --- | --- | --- | --- | --- | --- |
+| **色特徴＋ロジスティック回帰** | 込み | **0.630 ± 0.052** | 0.721 ± 0.035 | **0.556 ± 0.043** | 0.33 |
+| **色特徴＋ロジスティック回帰** | 除外 | **0.644 ± 0.040** | **0.754 ± 0.031** | 0.520 ± 0.034 | 0.55 |
+| 色特徴＋ロジスティック回帰（重み inverse） | 込み | 0.568 ± 0.038 | 0.618 ± 0.036 | 0.541 ± 0.034 | 0.21 |
+| 色特徴＋ロジスティック回帰（重み inverse） | 除外 | 0.599 ± 0.040 | 0.672 ± 0.029 | 0.533 ± 0.036 | 0.38 |
+| 色特徴＋勾配ブースティング | 込み | 0.626 ± 0.049 | 0.712 ± 0.034 | 0.555 ± 0.044 | 0.33 |
+| 色特徴＋勾配ブースティング | 除外 | 0.627 ± 0.064 | 0.747 ± 0.037 | 0.512 ± 0.042 | 0.54 |
+| ResNet-50（lr 1e-3・重み sqrt） | 込み | 0.590 ± 0.057 | 0.666 ± 0.070 | 0.554 ± 0.043 | 0.25 |
+| ResNet-50（lr 1e-3） | 除外 | 0.637 ± 0.062 | 0.748 ± 0.045 | 0.519 ± 0.056 | 0.48 |
+| ConvNeXt-Tiny（重み inverse） | 除外 | 0.632 ± 0.060 | 0.745 ± 0.030 | 0.528 ± 0.043 | 0.47 |
+
+common でのクラス別再現率（15 fold の平均）:
+
+| モデル | 条件 | 淡白 | 淡紅 | 紅 | 暗赤紅 | 紫 |
+| --- | --- | --- | --- | --- | --- | --- |
+| 色特徴＋ロジスティック回帰 | 込み | 0.56 | 0.73 | 0.65 | 0.82 | 0.41 |
+| 色特徴＋ロジスティック回帰 | 除外 | 0.48 | 0.88 | 0.59 | 0.77 | 0.36 |
+| 色特徴＋ロジスティック回帰（重み inverse） | 込み | **0.81** | 0.56 | **0.79** | 0.63 | **0.60** |
+| 色特徴＋ロジスティック回帰（重み inverse） | 除外 | **0.78** | 0.70 | 0.71 | 0.63 | 0.52 |
+| ResNet-50（lr 1e-3） | 除外 | 0.59 | 0.83 | 0.61 | 0.79 | 0.39 |
+
+## CNN との対応比較 (Paired Comparison)
+
+色特徴＋ロジスティック回帰 − CNN の common macro F1（同じ条件・seed・fold どうし．15 fold）．正の値は色特徴のほうが良いことを表す．
+
+| 比べた CNN | 込み | 色特徴が上回った fold | 除外 | 色特徴が上回った fold |
+| --- | --- | --- | --- | --- |
+| ConvNeXt-Tiny（対策なし） | +0.089 ± 0.065 | 14 / 15 | +0.052 ± 0.063 | 11 / 15 |
+| ConvNeXt-Tiny（重み inverse） | +0.045 ± 0.069 | 11 / 15 | +0.012 ± 0.063 | 8 / 15 |
+| ResNet-50（lr 1e-3） | +0.084 ± 0.093 | 13 / 15 | +0.008 ± 0.063 | 8 / 15 |
+| ResNet-50（lr 1e-3・重み sqrt） | +0.041 ± 0.076 | 12 / 15 | +0.011 ± 0.069 | 9 / 15 |
+| ViT-Small | +0.051 ± 0.082 | 11 / 15 | +0.064 ± 0.074 | 13 / 15 |
+| EfficientNet-B0（lr 1e-3） | +0.102 ± 0.062 | 14 / 15 | +0.067 ± 0.061 | 13 / 15 |
+| 色特徴＋勾配ブースティング | +0.005 ± 0.045 | 7 / 15 | +0.018 ± 0.057 | 10 / 15 |
+
+重み `inverse` の効果（色特徴＋ロジスティック回帰．対策あり − なし）: common macro F1 は込み −0.062（0/15 fold），除外 −0.046（2/15 fold）．淡白 +0.25〜0.30・紫 +0.16〜0.18 に対して淡紅 −0.17〜0.18・暗赤紅 −0.14〜0.20．
+
+## 分かったこと (Findings)
+
+1. **色特徴＋ロジスティック回帰は，これまでのどの CNN と比べても同等以上だった**．除外では common macro F1 0.644 で CNN の最良（ResNet-50 lr 1e-3 の 0.637・ConvNeXt＋inverse の 0.632）と並び（対応比較で +0.01 前後．8/15 fold），**込みでは 0.630 で CNN の最良（0.590）を約 +0.04 上回った**（11〜14/15 fold）
+2. **fold 間のばらつきが CNN より小さい**（標準偏差 0.040〜0.052．CNN は 0.045〜0.070）．seed による揺れもほぼ無い（mild→淡紅 の割合の標準偏差 0.01）
+3. **「ややあり」の込み／除外による差が小さい**（+0.014．9/15 fold）．CNN は除外で大きく上がった（ResNet-50 で +0.09）．CNN は境界例を入れると学習が乱れるが，単純な線形モデルは影響を受けにくいと考えられる
+4. 勾配ブースティングはロジスティック回帰と同程度か少し下（除外で −0.018）．非線形な分類器にしても伸びない
+5. ロジスティック回帰で選ばれた正則化は強め（C = 0.1 が 30 fold 中 17，0.01 が 10）で，**単純なモデルで十分**なことを示す
+6. **重み `inverse` は macro F1 を下げた**が，淡白 0.81・紫 0.60 と，**少数クラスの再現率はこれまでで最も高い**．淡紅・暗赤紅との入れ替わりが大きすぎて macro F1 では損になる．用途（見逃したくないクラスがあるか）によっては選択肢になる
+7. 計算コストは極めて小さい．1 本（5 fold）の所要の大半は画像の読み込みと特徴抽出（Archimedes で約 62 秒，Newton で約 115 秒）で，ロジスティック回帰の学習は 5 fold で約 1 秒．GPU が要らない
+
+## 注意 (Caveats)
+
+- 差の多くは fold 間のばらつき（標準偏差 0.04〜0.07）と同程度で，確定的に言えるのは「色特徴＋ロジスティック回帰は CNN に劣らない（込みでは上回る）」まで
+- 比較相手の CNN の学習率・対策は結果を見て選んだもの（TEST_03・TEST_04）で，CNN 側に有利な比較になっている．一方，色特徴側の候補（C など）は内側の検証だけで選んでおり，held_out は見ていない
+- 特徴の定義（ヒストグラムの範囲・ビン数）は TEST_02 の集計値（全データの平均色）を根拠に固定した．範囲を決めるのに全データの平均だけを使っており，ラベルごとの分布は使っていない
+- TIASjudge のルールベース（平均色による判定）との比較ではない（Step 6 は保留中）．ただし「色の統計だけで CNN 並み」という結果は，ルールベースとの比較の土台になる
+
+## 次の一手 (Next Steps)
+
+- **CNN と色特徴の併用**（CNN の予測確率と色特徴の分類器の予測確率の平均，または CNN の特徴と色特徴の連結）．両者の誤り方が違えば上乗せが期待できる
+- どの特徴が効いているか（ロジスティック回帰の係数・特徴の絞り込み）を調べる．平均色だけで足りるのか，分布の形（分位点・ヒストグラム）が効いているのかが分かれば，TIASjudge のルールの改良にも使える
+- ルールベース（Step 6）との比較: 同じ色空間で「平均色だけ」の分類器を作れば，TIASjudge に近い条件で比べられる
+
+## 実験 ID (Run IDs)
+
+手元の `runs/` に回収済み（`.gitignore` 対象）．名前の `color_logistic`・`color_hist_gb` が分類器，末尾 `_cwinv` が重み `inverse` を表す．実験 ID の日時は 2026-09-28 10:54〜11:22．
+
+```bash
+ls -d runs/*_cv_color_*
+```
diff --git a/docs/PROGRESS.md b/docs/PROGRESS.md
index cc563fe..4c00449 100644
--- a/docs/PROGRESS.md
+++ b/docs/PROGRESS.md
@@ -110,3 +110,12 @@
   - 失敗パターン: キュー完了後の自動回収が，長くなったジョブログの末尾しか読めず 36 本中 27 本しか拾えなかった → サーバ上の実験ディレクトリの一覧から回収し直した．以後，回収はログではなくディレクトリの一覧を正とする
   - 速度の調査: 学習中の GPU 使用率は平均 86% で計算律速（データ準備は余裕あり）．性能を変えずに速くするなら channels_last・bf16（1〜3 割の見込み）や GPU の並列利用が候補（未実施）
 
+## Step 7（一部）: 色特徴分類器との比較
+
+- [x] **舌領域の色特徴（107 次元）＋ロジスティック回帰／勾配ブースティングの交差検証 `tias-train color-cv` を追加し，CNN と同じ分割で 18 本を実験**: ラベルが色そのもので，データが少ないため，手作りの色特徴のほうが強い可能性を確かめた（ユーザーの選択）．結果は [TEST_05](06_TEST/TEST_05_色特徴分類器の実験.md)．
+  - 設計判断 ①: 分割は CNN と完全に同じにした（fold の準備処理を CNN と共有する形に切り出した．同じ seed で `split.json` が一致することをテストで確認）．これで CNN の結果と fold どうしの対応比較ができる
+  - 設計判断 ②: 分類器の候補（C 等）は内側の検証の macro F1 で選び，held_out は見ない（CNN の最良エポックの選び方に対応）
+  - 設計判断 ③: 特徴は元解像度の舌領域の画素だけから取る（レターボックス縮小は補間で背景の黒が縁に混ざるため）
+  - 進め方: ユーザーの指示で Phase 1 の人間の確認を省き，テスト作成と並行してサーバで実験した．GPU は使わず 2 台の CPU で 9 本ずつ回した（計約 30 分．1 本 1〜2 分）
+  - 結果: **色特徴＋ロジスティック回帰が CNN と同等以上**．除外で common macro F1 0.644（CNN の最良 0.637 と並ぶ），込みで 0.630（CNN の最良 0.590 を上回り，対応比較で 11〜14/15 fold）．fold 間のばらつきも小さく，込み／除外の差も小さい．重み `inverse` は macro F1 を下げたが，淡白 0.81・紫 0.60 と少数クラスの再現率はこれまでで最高
+  - 示唆: 現状のデータ量では CNN が色の統計以上のものを学べていない．次は CNN と色特徴の併用と，どの特徴が効いているかの分析（TIASjudge のルール改良にもつながる）