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 portent sur le contenu spectral présent.
La force du Machine Learning est de pouvoir exploiter toutes ces caractéristiques simultanément. 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 aborderons au chapitre suivant.
Pour le dernier exercice du chapitre, nous avons chargé plusieurs des caractéristiques que vous avez calculées précédemment. Combinez-les toutes dans un tableau à fournir au classifieur et observez ses performances.
Cet exercice fait partie du cours
Machine Learning for Time Series Data in Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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)