Meningkatkan fitur untuk klasifikasi

Machine Learning untuk Data Deret Waktu di Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Auditory envelope

Haluskan data untuk menghitung auditory envelope
Terkait dengan total energi audio pada setiap momen waktu

Smoothing seiring waktu

Alih-alih merata-ratakan sepanjang seluruh waktu, kita bisa rata-rata lokal
Ini disebut smoothing pada deret waktu Anda
Menghapus noise jangka pendek, sambil mempertahankan pola umum

Melakukan smoothing pada data Anda

Menghitung statistik rolling window

# Audio is a Pandas DataFrame
print(audio.shape)  
# (n_times, n_audio_files)

(5000, 20)

# Smooth our data by taking the rolling mean in a window of 50 samples
window_size = 50
windowed = audio.rolling(window=window_size)
audio_smooth = windowed.mean()

Menghitung auditory envelope

Pertama rectify audio Anda, lalu haluskan

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

Rekayasa fitur pada envelope

# Calculate several features of the envelope, one per sound
envelope_mean = np.mean(audio_envelope, axis=0)
envelope_std = np.std(audio_envelope, axis=0)
envelope_max = np.max(audio_envelope, axis=0)

# Create our training data for a classifier
X = np.column_stack([envelope_mean, envelope_std, envelope_max])

Menyiapkan fitur untuk scikit-learn

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

Cross validation untuk klasifikasi

cross_val_score mengotomatiskan proses:
- Membagi data menjadi set pelatihan/validasi
- Melatih model pada data pelatihan
- Memberi skor pada data validasi
- Mengulangi proses ini

Menggunakan 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]

Fitur auditori: Tempogram

Kita dapat meringkas informasi temporal yang lebih kompleks dengan fungsi khusus deret waktu
librosa adalah pustaka yang bagus untuk rekayasa fitur audio dan deret waktu
Di sini kita hitung tempogram, yang memperkirakan tempo suara dari waktu ke waktu
Kita dapat menghitung statistik ringkasan tempo seperti pada envelope

Menghitung tempogram

# Import librosa and calculate the tempo of a 1-D sound array
import librosa as lr
audio_tempo = lr.beat.tempo(y=audio, sr=sfreq, 
                            hop_length=2**6)

Ayo berlatih!

Machine Learning untuk Data Deret Waktu di Python