Viele Features in einem Klassifikator kombinieren
In dieser Lektion hast du viele Features aus den Audiodaten erstellt – einige enthalten Informationen darüber, wie sich das Audio über die Zeit verändert, andere beschreiben den vorhandenen spektralen Inhalt.
Das Schöne an Machine Learning ist, dass es all diese Features gleichzeitig verarbeiten kann. Wenn in jedem Feature unterschiedliche Informationen stecken, sollte das die Fähigkeit des Klassifikators verbessern, die Arten von Audio zu unterscheiden. Beachte, dass dafür oft fortgeschrittene Techniken wie Regularisierung nötig sind – das behandeln wir im nächsten Kapitel.
Für die letzte Übung dieses Kapitels haben wir viele der Features geladen, die du zuvor berechnet hast. Kombiniere sie alle zu einem Array, das in den Klassifikator eingespeist werden kann, und schau dir an, wie er abschneidet.
Diese Übung ist Teil des Kurses
Maschinelles Lernen für Zeitreihendaten in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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)