Combinação de muitos recursos em um classificador
Você passou esta lição desenvolvendo muitos recursos dos dados de áudio - alguns contêm informações sobre como o áudio muda com o tempo, outros contêm informações sobre o conteúdo espectral que está presente.
Os A beleza do aprendizado de máquina é que ele pode lidar com todos esses recursos ao mesmo tempo. Se você tiver uma diferença informações presentes em cada recurso, ele deve melhorar a capacidade do classificador de distinguir os tipos de áudio. Observe que isso geralmente requer técnicas mais avançadas, como a regularização, que abordaremos na seção Próximo capítulo.
Para o exercício final do capítulo, carregamos muitos dos recursos que você calculou anteriormente. Combine todos eles em uma matriz que pode ser inserida no classificador e ver como ele se sai.
Este exercício faz parte do curso
Aprendizado de máquina para dados de séries temporais em Python
Exercício interativo prático
Experimente este exercício preenchendo 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)