Cechy pochodne: tempogram
Jedną z zalet oczyszczania danych jest możliwość obliczania bardziej zaawansowanych cech. Na przykład obliczanie obwiedni, które wykonałeś(-aś) wcześniej, to popularna technika stosowana przy wyznaczaniu cech związanych z tempem i rytmem. W tym ćwiczeniu użyjesz biblioteki librosa, aby obliczyć cechy tempa i rytmu dla danych z nagraniami uderzeń serca, a następnie ponownie dopasujesz model.
Zwróć uwagę, że funkcje biblioteki librosa zazwyczaj działają wyłącznie na tablicach numpy, a nie na obiektach DataFrame. Dlatego dostęp do danych Pandas jako tablicy NumPy uzyskamy za pomocą atrybutu .values.
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)