Объединение множества признаков в классификаторе
В этом уроке вы извлекли множество признаков из аудиоданных: одни описывают, как звук меняется во времени, другие — какое спектральное содержимое в нём присутствует.
Прелесть машинного обучения в том, что оно способно работать со всеми этими признаками одновременно. Если каждый признак несёт уникальную информацию, это должно повысить способность классификатора различать типы аудио. Обратите внимание, что для этого нередко требуются более продвинутые методы, например регуляризация, — их мы рассмотрим в следующей главе.
В завершающем упражнении главы мы загрузили многие из признаков, которые вы вычислили ранее. Объедините их все в массив, который можно передать классификатору, и оцените результат.
Это упражнение является частью курса
Машинное обучение для данных временных рядов на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)