Вычисление признаков на основе огибающей
Теперь, когда вы сгладили часть шумовых колебаний в аудиосигнале, давайте проверим, улучшит ли это качество классификации.
Переменная audio_rectified_smooth из предыдущего упражнения доступна в вашем рабочем пространстве.
Это упражнение является частью курса
Машинное обучение для данных временных рядов на Python
Инструкции к упражнению
- Вычислите среднее значение, стандартное отклонение и максимальное значение для каждого звука сердцебиения.
- Объедините эти статистики в том же порядке с помощью
column_stack. - Используйте кросс-валидацию для обучения модели на каждой итерации.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Calculate stats
means = np.____(audio_rectified_smooth, axis=0)
stds = ____(audio_rectified_smooth, axis=0)
maxs = ____(audio_rectified_smooth, axis=0)
# Create the X and y arrays
X = np.column_stack([____, ____, ____])
y = labels.reshape(-1, 1)
# Fit the model and score on testing data
from sklearn.model_selection import cross_val_score
percent_score = ____(model, ____, ____, cv=5)
print(np.mean(percent_score))