Combinare molte feature in un classificatore
In questa lezione hai creato molte feature dai dati audio: alcune contengono informazioni su come l’audio cambia nel tempo, altre sul contenuto spettrale presente.
La bellezza del machine learning è che può gestire tutte queste feature contemporaneamente. Se ogni feature porta informazioni diverse, questo dovrebbe migliorare la capacità del classificatore di distinguere i tipi di audio. Nota che spesso servono tecniche più avanzate come la regolarizzazione, che vedremo nel prossimo capitolo.
Per l’ultimo esercizio del capitolo, abbiamo caricato molte delle feature che hai calcolato in precedenza. Combinale tutte in un array da passare al classificatore e verifica come si comporta.
Questo esercizio fa parte del corso
Machine Learning per dati di serie temporali in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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)