使用scikit-learn进行音乐分类

最新推荐文章于 2021-09-07 16:36:17 发布

原创

最新推荐文章于 2021-09-07 16:36:17 发布 · 2.1k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#音乐 #数据

本文介绍了如何利用scikit-learn对音乐进行情感分类，包括获取训练数据、特征提取、模型训练和测试。音乐被分为7种情感类别，通过Yaafe和Essentia提取35种特征，并进行了数据归一化处理。测试结果显示，对于50首happy歌曲，有47首分类正确。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用scikit-learn进行音乐分类

之前简要说了下Yaafe和Essentia的安装使用，自己也专门对这两个框架做了封装，实现了各个特征提取的接口，并将特征值存到本地文件中方便训练时使用。下面这张图是对应提取的特征数据，一共35种特征，每种特征维度不一样。例如MFCC最大值维度为13维。

这里写图片描述

这里的音乐分类主要是按情感进行分类，一共分成7种情感：happy，sad，passion，excited，quiet，nostalgic，relax。

一、得到训练数据

def getTrainData(train_path, train_mode, mode_name, featureList):
    num = []
    train_data = []
    train_target = []
    introFeature = []

    for i in range(len(train_mode)):
        allFeature = []
        # print len(train_mode),len(train_path),i,train_path[0],train_path[1]
        # print tool.getFileNum(train_path[i])
        num.append(tool.getFileNum(train_path[i]))
        for j in tool.getAllFile(train_path[i]):
            yl.startEngine(j)
            el.startLoader(j)
            oneFeature, introFeature = getFeature(yl, el, featureList)

            allFeature.append(oneFeature)
        # print allFeature

        # 判断是否有歌曲的特征被提取出
        if len(allFeature) == 0:
            print '无音频文件'
        else:
            wf.setMode(train_mode[i])  # 设置类别和目录．输出
            wf.setFeaturePrintPath(train_path[i])  # 音乐目录/feature_num/train_mode[i].txt  readme.txt
            wf.writeFeature(allFeature, introFeature)
            tool.mkdir('dataSystem/' + mode_name)
            wf.writeDetial('dataSystem/' + mode_name + '/feature.txt', featureList)
        for singleFeature in allFeature:
            train_data.append(singleFeature)  # 设置训练数据
            train_target.append(i)  # 设置训练目标

    return train_data, train_target