语音情感识别第一周报告

第一周报告 - 于建国 (YJango)

1. 特征提取

特征 维度
IS09_emotion.conf 384
IS10_paraling.conf 1582
IS13_ComParE.conf 6373
ComParE_2016.conf 6373

extractor.py

  • 作用:批量提取特征
  • 格式:.wav \rightarrow .txt

data_maker.py

  • 作用:与标签对齐后转成 pandas.DataFrame
  • 格式:.txt\rightarrow .csv

2. 预处理

标准化:

  • x (特征):x = (x-x.mean)/x.std
  • y (标签):y = (y-y.mean)/y.std

3. 模型选择

3.1. 选择策略

4 组特征集分别进行 7 折交叉验证,找出最好的特征和模型

3.2. 浅层模型结果

shallow.py
标准化后的结果 (没有反标准化)

3.2.1. 单特征集

特征 算法 mse r^2
IS09 Support Vector Regression 0.5666 0.4324
IS09 Gradient Boosting Decision Tree 0.5402 0.4586
IS09 AdaBoost 0.6396 0.3678
IS09 Ridge Regression 0.6698 0.3272
IS09 Bayesian Ridge Regression 0.6082 0.3901
IS10 Support Vector Regression 0.4821 0.5164
IS10 Gradient Boosting Decision Tree 0.4645 0.5340
IS10 AdaBoost 0.5586 0.4452
IS10 Ridge Regression 2.550 1.562
IS10 Bayesian Ridge Regression 0.5484 0.4491
IS13 Support Vector Regression 0.5060 0.4923
IS13 Gradient Boosting Decision Tree 0.4591 0.5392
IS13 AdaBoost 0.5422 0.4498
IS13 Ridge Regression 0.8717 0.1241
IS13 Bayesian Ridge Regression 0.8723 0.1235
IS16 Support Vector Regression 0.5060 0.4937
IS16 Gradient Boosting Decision Tree 0.4693 0.5292
IS16 AdaBoost 0.5390 0.4592
IS16 Ridge Regression 0.8786 0.1175
IS16 Bayesian Ridge Regression 0.8791 0.1170

3.2.1. 多特征集

特征 维度 mse r^2
IS10,13 Gradient Boosting Decision Tree 0.4484 0.5484
IS09,10,13 Gradient Boosting Decision Tree 0.4446 0.5517
IS09,10,13,16 Gradient Boosting Decision Tree 0.4428 0.5534

4. 结论

  • 四个特征集全部使用效果最好
  • 浅层模型 Gradient Boosting Decision Tree 效果最好
  • num_leaves =15
  • learning_rate=0.02
  • n_estimators=400
  • 预测代码:predict.py
  • 预测值为 GBDT 两次 (n_estimators=400n_estimators=800) 的平均数

5. 附:导师评语

5.1. 导师1

  • 项目完成情况很好,并对其过程进行了详细的说明。语音情感特征提取部分完成了IS09_emotion.confIS10_paraling.confIS13_ComParE.conf ComParE_2016.conf四个特征提取工作。而且完成了批量的特征提取。
  • 数据预处理部分,完成了特征和标签的预处理。
  • 对 4 组特征集分别进行 7 折交叉验证,找出最好的特征和模型。尝试了机器学习所有的几乎所有的模型,并且用多个指标进行验证,背后具有很多的工作量。
  • 于建国同学在短短一周之内做出了很多模型和特征的尝试工作,其工程量庞大且很好完成任务。值得每位同学学习。

5.2. 导师2

  • 该学员的学习报告对特征提取,预处理,模型选择等模块进行详细说明。文中多处使用表格,条理非常清晰。
  • 用表格列举并对比了不同的特征,并说明了特征提取的过程,简述了特征提取后的格式转换过程。
  • 预处理部分用到了均值方差归一化的小策略。
  • 模型部分,对不同的特征集进行了详细的实验和说明。分别在单特征集和多特征集上进行多次实验,并详细列举不同特征集的表现。
  • 最后根据不同特征集和不同模型的表现选出最好的性能,效果比较理想。
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 219,539评论 6 508
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,594评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 165,871评论 0 356
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,963评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,984评论 6 393
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,763评论 1 307
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,468评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,357评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,850评论 1 317
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,002评论 3 338
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,144评论 1 351
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,823评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,483评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,026评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,150评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,415评论 3 373
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,092评论 2 355

推荐阅读更多精彩内容