Обчислення ознак з огинання
Тепер, коли ви прибрали частину шумових коливань у аудіо, подивімося, чи це покращить вашу здатність класифікувати.
audio_rectified_smooth з попередньої вправи доступний у вашому робочому середовищі.
Ця вправа є частиною курсу
Machine Learning для часових рядів у Python
Інструкції до вправи
- Обчисліть середнє значення, стандартне відхилення та максимальне значення для кожного звуку серцебиття.
- Об'єднайте ці статистики в стовпці в тому самому порядку.
- Використайте крос-валідацію, щоб навчити модель на кожній ітерації CV.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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))