Afgeleide features: de tempogram
Een voordeel van het opschonen van je data is dat je er meer geavanceerde features mee kunt berekenen. De envelopberekening die je hebt gedaan is bijvoorbeeld een veelgebruikte techniek om tempo- en ritmefeatures te bepalen. In deze oefening gebruik je librosa om tempo- en ritmefeatures voor hartslagdata te berekenen en train je opnieuw een model.
Let op: librosa-functies werken meestal alleen met numpy-arrays in plaats van DataFrames, dus we benaderen onze Pandas-data als een Numpy-array via het .values-attribuut.
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.
# Calculate the tempo of the sounds
tempos = []
for col, i_audio in audio.items():
tempos.append(lr.beat.____(y=i_audio.values, sr=sfreq, hop_length=2**10))
# Convert the list to an array so you can manipulate it more easily
tempos = np.array(tempos)
# Calculate statistics of each tempo
tempos_mean = tempos.____(axis=-1)
tempos_std = tempos.____(axis=-1)
tempos_max = tempos.____(axis=-1)