Mengombinasikan banyak fitur dalam sebuah pengklasifikasi
Pada pelajaran ini, Anda telah merekayasa banyak fitur dari data audio — sebagian memuat informasi tentang bagaimana audio berubah terhadap waktu, sementara yang lain memuat informasi tentang konten spektral yang ada.
Keindahan dari machine learning adalah kemampuannya menangani semua fitur tersebut secara bersamaan. Jika setiap fitur memuat informasi yang berbeda, hal itu seharusnya meningkatkan kemampuan pengklasifikasi untuk membedakan jenis audio. Perlu dicatat bahwa ini sering kali memerlukan teknik yang lebih lanjut seperti regularisasi, yang akan kita bahas di bab berikutnya.
Untuk latihan terakhir di bab ini, kami telah memuat banyak fitur yang sebelumnya Anda hitung. Gabungkan semuanya ke dalam sebuah array yang dapat diberikan ke pengklasifikasi, dan lihat kinerjanya.
Latihan ini merupakan bagian dari kursus
Machine Learning untuk Data Deret Waktu di Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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)