Korzystanie z MFCC w klasyfikacji KNN

1. Dlaczego MFCC jest stosowany w klasyfikacji audio?
2. Jest wymagane do skalowania funkcji dla algorytmu KNN, wyjaśnij z właściwym uzasadnieniem?
3. Jak mogę poprawić mój algorytm KNN?
4. Można użyć knn do klasyfikacji wielu klas?

Dlaczego MFCC jest stosowany w klasyfikacji audio?

Zaobserwowano, że wyodrębnienie funkcji z sygnału audio i wykorzystanie go jako wejścia do modelu podstawowego zapewni znacznie lepszą wydajność niż bezpośrednio, biorąc pod uwagę surowy sygnał audio jako wejście. MFCC to szeroko stosowana technika wyodrębniania funkcji z sygnału audio.

Jest wymagane do skalowania funkcji dla algorytmu KNN, wyjaśnij z właściwym uzasadnieniem?

Tak, skalowanie funkcji jest wymagane, aby uzyskać lepszą wydajność algorytmu KNN. Wyobraź sobie na przykład zestaw danych o liczbie instancji i N liczba funkcji. Istnieje jedna funkcja ma wartości od 0 do 1. Tymczasem istnieje również funkcja, która waha się od -999 do 999.

Jak mogę poprawić mój algorytm KNN?

Kluczem do ulepszenia algorytmu jest dodanie etapu wstępnego przetwarzania w celu uruchomienia ostatecznego algorytmu z bardziej wydajnymi danymi, a następnie poprawa efektu klasyfikacji. Wyniki eksperymentalne pokazują, że ulepszony algorytm KNN poprawia dokładność i wydajność klasyfikacji.

Można użyć knn do klasyfikacji wielu klas?

KNN jest używany zarówno do „binarnej”, jak i „klasyfikacji wieloklasowej”- w terminologii uczenia maszynowego problem klasyfikacyjny to taki, w którym biorąc pod uwagę listę dyskretnych wartości jako możliwych wyników przewidywania (znanych jako klasy docelowe), cel Model polega na ustaleniu, który docelowy punkt danych może należeć ...