Combiner de nombreuses caractéristiques dans un classifieur
Dans cette leçon, vous avez conçu de nombreuses caractéristiques à partir des données audio : certaines décrivent comment l'audio évolue dans le temps, d'autres résument le contenu spectral présent.
La force du Machine Learning, c'est qu'il peut traiter toutes ces caractéristiques en même temps. Si chaque caractéristique apporte une information différente, cela devrait améliorer la capacité du classifieur à distinguer les types d'audio. Notez que cela nécessite souvent des techniques plus avancées, comme la régularisation, que nous verrons au prochain chapitre.
Pour le dernier exercice du chapitre, nous avons chargé plusieurs des caractéristiques que vous avez calculées plus tôt. Combinez-les toutes dans un tableau qui pourra être fourni au classifieur, puis observez les résultats.
Cette activité fait partie du cours
Machine Learning pour les données chronologiques en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)