多数の特徴量を分類器で組み合わせる
このレッスンでは、音声データから数多くの特徴量を作成してきました。あるものは時間方向の変化を捉え、別のものは含まれるスペクトル成分の情報を表します。
Machine Learning の強みは、これらすべての特徴量を同時に扱える点にあります。各特徴量に異なる情報が含まれていれば、分類器が音声の種類を見分ける能力は向上するはずです。なお、場合によっては正則化のような高度な手法が必要になることがあり、その点は次の章で扱います。
この章の最後の演習では、これまでに計算した多くの特徴量を読み込んであります。すべてを分類器に入力できる配列にまとめ、性能を確かめてみましょう。
この演習はコースの一部です
Pythonで学ぶMachine Learningによる時系列データ解析
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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)