Utilisation de MFCCS dans la classification KNN

1. Pourquoi le MFCC est-il utilisé dans la classification audio?
2. La mise à l'échelle des fonctionnalités requise pour l'algorithme KNN Expliquez avec une justification appropriée?
3. Comment puis-je améliorer mon algorithme KNN?
4. Peut être utilisé pour la classification multi-classes?

Pourquoi le MFCC est-il utilisé dans la classification audio?

Il est observé que l'extraction des fonctionnalités du signal audio et l'utiliser comme entrée dans le modèle de base produiront de bien meilleures performances que considérant directement le signal audio brut comme entrée. MFCC est la technique largement utilisée pour extraire les fonctionnalités du signal audio.

La mise à l'échelle des fonctionnalités requise pour l'algorithme KNN Expliquez avec une justification appropriée?

Oui, la mise à l'échelle des fonctionnalités est nécessaire pour obtenir les meilleures performances de l'algorithme KNN. Par exemple, imaginez un ensemble de données ayant n nombre d'instances et n nombre de fonctionnalités. Il y a une caractéristique ayant des valeurs allant entre 0 et 1. Pendant ce temps, il existe également une fonctionnalité qui varie de -999 à 999.

Comment puis-je améliorer mon algorithme KNN?

La clé pour améliorer l'algorithme est d'ajouter une étape de prétraitement pour faire fonctionner l'algorithme final avec des données plus efficaces, puis améliorer l'effet de la classification. Les résultats expérimentaux montrent que l'algorithme KNN amélioré améliore la précision et l'efficacité de la classification.

Peut être utilisé pour la classification multi-classes?

KNN est utilisé à la fois pour «binaire» et «classification multi-classes» - dans la terminologie d'apprentissage automatique, un problème de classification est celui où, étant donné une liste de valeurs discrètes comme résultats de prédiction possibles (appelés classes cibles), l'objectif de la Le modèle consiste à déterminer quel point de données cible une classe A pourrait appartenir ...