Łączenie wielu cech w klasyfikatorze
W tej lekcji wyekstrahowałeś wiele cech z danych audio – niektóre zawierają informacje o tym, jak dźwięk zmienia się w czasie, inne opisują obecną w nim zawartość spektralną.
Piękno uczenia maszynowego polega na tym, że potrafi ono jednocześnie uwzględniać wszystkie te cechy. Jeśli każda z nich wnosi inne informacje, klasyfikator powinien lepiej rozróżniać rodzaje dźwięku. Warto pamiętać, że często wymaga to bardziej zaawansowanych technik, takich jak regularyzacja – omówimy ją w następnym rozdziale.
Na potrzeby ostatniego ćwiczenia w tym rozdziale wczytaliśmy wiele cech, które wcześniej obliczyłeś. Połącz je wszystkie w tablicę, którą można przekazać do klasyfikatora, i sprawdź, jak sobie poradzi.
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)