Meerdere features combineren in een classifier
In deze les heb je veel features uit de audiodata ontwikkeld: sommige bevatten informatie over hoe het geluid in de tijd verandert, andere vertellen iets over de aanwezige spectrale inhoud.
Het mooie van machine learning is dat het al deze features tegelijk kan verwerken. Als elke feature andere informatie bevat, zou dat het onderscheidend vermogen van de classifier tussen soorten audio moeten verbeteren. Let op: dit vereist vaak meer geavanceerde technieken zoals regularisatie. Daar komen we in het volgende hoofdstuk op terug.
Voor de laatste oefening van dit hoofdstuk hebben we veel van de features geladen die je eerder hebt berekend. Combineer ze allemaal in een array die je aan de classifier kunt doorgeven, en kijk hoe die het doet.
Deze oefening maakt deel uit van de cursus
Machine Learning voor tijdreeksgegevens in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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)