Kombinera många särdrag i en klassificerare
Under den här lektionen har du extraherat många särdrag från ljuddata – vissa innehåller information om hur ljudet förändras över tid, andra om vilket spektralt innehåll som finns.
Det fina med maskininlärning är att den kan hantera alla dessa särdrag samtidigt. Om varje särdrag tillför unik information bör det förbättra klassificerarens förmåga att skilja mellan olika typer av ljud. Observera att detta ofta kräver mer avancerade tekniker, till exempel regularisering, vilket vi går igenom i nästa kapitel.
I den här avslutande övningen i kapitlet har vi läst in många av de särdrag du beräknade tidigare. Kombinera dem alla i en array som kan matas in i klassificeraren och se hur den presterar.
Den här övningen är en del av kursen
Maskininlärning för tidsseriedata i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)