Combinando muitos recursos em um classificador
Nesta lição, você extraiu vários recursos dos dados de áudio — alguns trazem informações sobre como o áudio muda no tempo, outros capturam o conteúdo espectral presente.
A beleza do Machine Learning é que ele consegue lidar com todos esses recursos ao mesmo tempo. Se cada recurso trouxer informações diferentes, isso deve melhorar a capacidade do classificador de distinguir os tipos de áudio. Observe que isso frequentemente requer técnicas mais avançadas, como regularização, que veremos no próximo capítulo.
No exercício final do capítulo, carregamos muitos dos recursos que você calculou antes. Combine todos eles em um array que possa ser usado pelo classificador e veja o desempenho.
Este exercício faz parte do curso
Machine Learning para dados de séries temporais em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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)