Теперь у вас есть функция makedataset(), которая получает список аудио сигналов, список…
- User
Теперь у вас есть функция make_dataset(), которая получает список аудио сигналов, список меток и список сегментов речи для каждого аудио сигнала. Для каждого сегмента речи функция извлекает короткие преобразования Фурье (STFT), преобразует их в децибелы и добавляет их в массив признаков X вместе с соответствующими метками в массив y.
Теперь сперва следует выделить сегменты речи с помощью функции vad(), а затем сгенерировать тренировочные и тестовые датасеты с использованием функции make_dataset(). Затем вы можете обучить классификатор на этих датасетах.
Obtain VAD speech segments for train and test sets
vad_segments_train = [vad(audio, sample_rate) for audio in X_train] vad_segments_test = [vad(audio, sample_rate) for audio in X_test]
Generate train and test datasets using VAD segments and make_dataset function
X_train_stft, Y_train_stft = make_dataset(X_train, labels_train, vad_segments_train) X_test_stft, Y_test_stft = make_dataset(X_test, labels_test, vad_segments_test)
Теперь вы можете обучить классификатор на извлеченных признаках (STFT-декибелы) и оценить его точность. Ниже приведен код для обучения и оценки SVM и Logistic Regression:
from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.svm import SVC from sklearn.metrics import accuracy_score
Train SVM classifier
clf_svm = make_pipeline(StandardScaler(), SVC(gamma=‘auto’)) clf_svm.fit(X_train_stft, Y_train_stft)
Predict and evaluate SVM classifier
Y_pred_svm = clf_svm.predict(X_test_stft) accuracy_svm = accuracy_score(Y_test_stft, Y_pred_svm) print('SVM Accuracy: ', accuracy_svm)
Train Logistic Regression classifier
clf_lr = make_pipeline(StandardScaler(), LogisticRegression(max_iter=500)) clf_lr.fit(X_train_stft, Y_train_stft)
Predict and evaluate Logistic Regression classifier
Y_pred_lr = clf_lr.predict(X_test_stft) accuracy_lr = accuracy_score(Y_test_stft, Y_pred_lr) print('Logistic Regression Accuracy: ', accuracy_lr)
Обратите внимание, что параметры алгоритма классификации могут быть оптимизированы для улучшения результатов.
- Assistant
Кроме того, можно провести кросс-валидацию, чтобы получить более обоснованную оценку точности классификаторов. Как вариант, основываясь на полученных данных, можно также использовать методы отбора признаков для отбрасывания нерелевантных или избыточных признаков. Это может помочь в повышении точности и уменьшении времени обучения.
Ниже приведен код для проведения кросс-валидации и отбора признаков с использованием рекурсивного исключения признаков (RFE):
from sklearn.model_selection import cross_val_score from sklearn.feature_selection import RFE # Cross-validation for SVM classifier cv_scores_svm = cross_val_score(clf_svm, X_train_stft, Y_train_stft, cv=5) print('SVM CV Accuracy: ', cv_scores_svm.mean()) # Cross-validation for Logistic Regression classifier cv_scores_lr = cross_val_score(clf_lr, X_train_stft, Y_train_stft, cv=5) print('Logistic Regression CV Accuracy: ', cv_scores_lr.mean()) # Feature selection for SVM classifier selector_svm = RFE(clf_svm, n_features_to_select=50, step=5) selector_svm.fit(X_train_stft, Y_train_stft) # Predict and evaluate SVM classifier with feature selection Y_pred_svm_fs = selector_svm.predict(X_test_stft) accuracy_svm_fs = accuracy_score(Y_test_stft, Y_pred_svm_fs) print('SVM Accuracy with Feature Selection: ', accuracy_svm_fs) # Feature selection for Logistic Regression classifier selector_lr = RFE(clf_lr, n_features_to_select=50, step=5) selector_lr.fit(X_train_stft, Y_train_stft) # Predict and evaluate Logistic Regression classifier with feature selection Y_pred_lr_fs = selector_lr.predict(X_test_stft) accuracy_lr_fs = accuracy_score(Y_test_stft, Y_pred_lr_fs) print('Logistic Regression Accuracy with Feature Selection: ', accuracy_lr_fs)Этот пример кода может быть адаптирован для других алгоритмов классификации или отбора признаков. Важно экспериментировать с разными алгоритмами и настройками, чтобы найти наилучший подход для данной задачи.