Combining many features in a classifier
En esta lección has generado muchas características a partir de los datos de audio: algunas recogen información sobre cómo cambia el audio en el tiempo y otras describen el contenido espectral presente.
La ventaja del Machine Learning es que puede manejar todas estas características a la vez. Si cada una aporta información distinta, debería mejorar la capacidad del clasificador para distinguir los tipos de audio. Ten en cuenta que esto a menudo requiere técnicas más avanzadas como la regularización, que veremos en el próximo capítulo.
Para el ejercicio final del capítulo, hemos cargado muchas de las características que calculaste antes. Combínalas todas en un array que puedas pasar al clasificador y comprueba cómo se comporta.
Este ejercicio forma parte del curso
Machine Learning para datos de series temporales en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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)