Kết hợp nhiều đặc trưng trong một bộ phân loại
Trong bài học này, bạn đã xây dựng nhiều đặc trưng từ dữ liệu âm thanh — một số đặc trưng nắm bắt cách âm thanh thay đổi theo thời gian, số khác mô tả nội dung phổ tần hiện diện.
Điều tuyệt vời của machine learning là có thể xử lý tất cả các đặc trưng này cùng lúc. Nếu mỗi đặc trưng mang một phần thông tin khác nhau, điều đó sẽ giúp bộ phân loại phân biệt tốt hơn các loại âm thanh. Lưu ý rằng việc này thường cần các kỹ thuật nâng cao như regularization, chúng ta sẽ học ở chương tiếp theo.
Ở bài tập cuối của chương, chúng tôi đã nạp sẵn nhiều đặc trưng mà bạn đã tính trước đó. Hãy kết hợp tất cả thành một mảng để đưa vào bộ phân loại và xem kết quả thế nào.
Bài tập này là một phần của khóa học
Machine Learning cho Dữ liệu Chuỗi thời gian bằng Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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)