在分类器中组合多种特征
在本节课中，您从音频数据中构造了许多特征——有些反映音频随时间的变化，有些则反映所包含的频谱信息。
机器学习的强大之处在于，它可以同时处理所有这些特征。如果每个特征都携带不同的信息，就能提升分类器区分音频类型的能力。请注意，这通常需要更高级的技术，例如正则化，我们会在下一章介绍。
作为本章最后一个练习，我们已经为您加载了先前计算的多种特征。请将它们全部合并为一个可输入到分类器的数组，并观察模型的表现。
本练习是课程的一部分
Python 中的时间序列机器学习
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)