여러 특성을 결합해 분류기 만들기
이번 레슨에서는 오디오 데이터에서 다양한 특성을 만들어 봤어요. 일부는 시간이 지나며 오디오가 어떻게 변하는지, 다른 일부는 포함된 스펙트럼(주파수) 정보를 담고 있었죠.
Machine Learning의 강점은 이런 여러 특성을 한꺼번에 처리할 수 있다는 점이에요. 각 특성이 서로 다른 정보를 담고 있다면, 분류기가 오디오 유형을 더 잘 구분하도록 도와줄 수 있어요. 다만 이런 경우에는 정규화와 같은 더 고급 기법이 필요한 때도 있는데, 이는 다음 챕터에서 다룰 예정입니다.
이번 챕터의 마지막 연습 문제에서는 앞에서 계산한 여러 특성을 미리 불러왔습니다. 이 모든 특성을 분류기에 입력할 수 있는 하나의 배열로 결합하고, 성능이 어떻게 나오는지 확인해 보세요.
이 연습은 강의의 일부입니다
Python으로 배우는 시계열 데이터 Machine Learning
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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)