Migliorare le feature per la classificazione

Machine Learning per dati di serie temporali in Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

L'envelope uditivo

Applica uno smoothing ai dati per calcolare l'envelope uditivo
Relativo alla quantità totale di energia audio presente in ogni istante

Smoothing nel tempo

Invece di fare la media su tutto il tempo, facciamo una media locale
Si chiama smoothing della serie temporale
Rimuove il rumore a breve termine, mantenendo l'andamento generale

Smoothing dei dati

Calcolare una statistica a finestra mobile

# Audio è un DataFrame Pandas
print(audio.shape)  
# (n_times, n_audio_files)

(5000, 20)

# Applica smoothing prendendo la media mobile in una finestra di 50 campioni
window_size = 50
windowed = audio.rolling(window=window_size)
audio_smooth = windowed.mean()

Calcolare l'envelope uditivo

Prima rettifica l'audio, poi applica lo smoothing

  audio_rectified = audio.apply(np.abs)
  audio_envelope = audio_rectified.rolling(50).mean()

Feature engineering sull'envelope

# Calcola diverse feature dell'envelope, una per suono
envelope_mean = np.mean(audio_envelope, axis=0)
envelope_std = np.std(audio_envelope, axis=0)
envelope_max = np.max(audio_envelope, axis=0)

# Crea i dati di training per un classificatore
X = np.column_stack([envelope_mean, envelope_std, envelope_max])

Preparare le feature per scikit-learn

X = np.column_stack([envelope_mean, envelope_std, envelope_max])
y = labels.reshape(-1, 1)

Cross validation per la classificazione

cross_val_score automatizza:
- Suddividere i dati in training/validation set
- Addestrare il modello sui dati di training
- Valutarlo sui dati di validation
- Ripetere il processo

Usare cross_val_score

from sklearn.model_selection import cross_val_score

model = LinearSVC()
scores = cross_val_score(model, X, y, cv=3) 
print(scores)

[0.60911642 0.59975305 0.61404035]

Feature uditive: il Tempogram

Possiamo riassumere informazioni temporali più complesse con funzioni specifiche per serie temporali
librosa è un'ottima libreria per il feature engineering su audio e serie temporali
Qui calcoleremo il tempogram, che stima il tempo di un suono nel tempo
Possiamo calcolare statistiche di riepilogo del tempo come fatto per l'envelope

Calcolare il tempogram

# Importa librosa e calcola il tempo di un array audio 1-D
import librosa as lr
audio_tempo = lr.beat.tempo(y=audio, sr=sfreq, 
                            hop_length=2**6)

Esercitiamoci!

Machine Learning per dati di serie temporali in Python