Combinar muchas características en un clasificador
Has pasado esta lección diseñando muchas características a partir de los datos de audio: algunas contienen información sobre cómo cambia el audio en el tiempo, otros contienen información sobre el contenido espectral presente.
En La belleza del machine learning es que puede manejar todas estas características al mismo tiempo. Si hay diferentes información presente en cada característica, debería mejorar la capacidad del clasificador para distinguir los tipos de audio. Ten en cuenta que esto suele requerir técnicas más avanzadas, como la regularización, que trataremos en el apartado capítulo siguiente.
Para el ejercicio final del capítulo, hemos cargado muchas de las funciones que calculaste anteriormente. Combínalos todos en una matriz que se pueda introducir en el clasificador, y ver cómo lo hace.
Este ejercicio forma parte del curso
Machine learning para datos de series temporales en Python
Ejercicio interactivo práctico
Pruebe este ejercicio completando este 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)