82、音乐流派分类与鞋印形状识别的技术探索

音乐流派分类与鞋印形状识别的技术探索

1. 音乐流派分类方法

1.1 实验设置

在音乐流派分类实验中，选用了 WEKA 机器学习平台作为测试环境。并在集成方法中选取了 5 种知名分类器：
- K - 近邻（IBK）
- 朴素贝叶斯（NB）
- 决策树（J48）
- 逻辑回归（LR）
- 顺序最小优化支持向量机（SMO）

对 OVA 和 OVO 两种二元多类分解方案进行实验对比，结果如下表所示：
| 分类器 | One vs All | One vs One |
| — | — | — |
| IBK | 54.70 | 57.64 |
| NB | 47.35 | 56.74 |
| J48 | 48.82 | 55.94 |
| SMO | 50.52 | 67.35 |

从结果可知，OVO 方案相比 OVA 有显著优势，所以主要采用 OVO 方案来实现所提出的方法。

特征选择算法主要分为过滤法和包装法两类：
- 过滤法 ：依据数据的一般特征，使用信息增益、卡方分布或相关系数等评分指标来衡量每个特征或特征子集的重要性，然后选择最佳集合。
- 包装法 ：利用学习算法搜索特征空间，评估特征对当前分类问题的有用性，即学习算法被“包装”到特征选择过程中。包装法能产生更优的特征集，但计算成本高且易过拟合。

为了研究以类为中心的特征和分类器选择的有效性，选择了计算效率更高的过滤法，并使用了 4 种广泛应用的特征选择技术： <