Kombinace mnoha příznaků v klasifikátoru
V této lekci jsi z audio dat získal/a celou řadu příznaků – některé zachycují, jak se zvuk mění v čase, jiné popisují spektrální obsah záznamu.
Síla strojového učení spočívá v tom, že dokáže pracovat se všemi těmito příznaky najednou. Pokud každý příznak nese jiné informace, mělo by to klasifikátoru pomoci lépe rozlišovat typy zvuku. Je dobré vědět, že to často vyžaduje pokročilejší techniky, jako je regularizace – tu si ukážeme v další kapitole.
V závěrečném cvičení kapitoly máš k dispozici mnoho příznaků, které jsi dříve vypočítal/a. Spoj je všechny do pole, které předáš klasifikátoru, a podívej se, jak si povede.
Toto cvičení je součástí kurzu
Machine Learning pro data časových řad v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Loop through each spectrogram
bandwidths = []
centroids = []
for spec in spectrograms:
# Calculate the mean spectral bandwidth
this_mean_bandwidth = np.____(lr.feature.____(S=spec))
# Calculate the mean spectral centroid
this_mean_centroid = np.____(lr.feature.____(S=spec))
# Collect the values
bandwidths.append(this_mean_bandwidth)
centroids.append(this_mean_centroid)