Поєднання багатьох ознак у класифікаторі
У цій вправі ви створили багато ознак з аудіоданих: одні описують, як змінюється сигнал у часі, інші — який спектральний вміст у ньому присутній.
Перевага машинного навчання в тому, що воно може одночасно опрацьовувати всі ці ознаки. Якщо кожна ознака містить іншу інформацію, це має підвищити здатність класифікатора розрізняти типи аудіо. Зауважте, що часто для цього потрібні складніші методи, як-от регуляризація, які ми розглянемо в наступному розділі.
У фінальній вправі цього розділу ми завантажили багато ознак, які ви обчислювали раніше. Об'єднайте їх усі в масив, який можна подати до класифікатора, і подивіться, який буде результат.
Ця вправа є частиною курсу
Machine Learning для часових рядів у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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)