[PYTHON] Identifizieren Sie t + pazolite-Songs durch maschinelles Lernen (NNC-Challenge-Entwicklung)

1. Zuallererst

[Letztes Mal] 1 zeigte, dass "t + pazolite Musik von der Maschine unterschieden werden kann" als eine Arbeit von [NNC Challenge] 2. Obwohl ich mit dem Ergebnis zufrieden war, konnte ich von Anfang an bis zur Vorverarbeitung der Daten nicht über das wesentliche maschinelle Lernen nachdenken, damit die Inhalte in NNC eingegeben werden konnten. Ich möchte mehr praktische Inhalte erstellen, indem ich das verwende, was mir bei der vorherigen Herausforderung aufgefallen ist.

2. Hat die Maschine das Lied wirklich beurteilt?

Letztes Mal habe ich einen Diskriminator erstellt, der die von [Audiostock] 3 bereitgestellten Musikdaten mit der Musik mischt und feststellt, ob die Musik auf die Musik zurückzuführen ist oder nicht. Die Bewertung weist eine korrekte Antwortrate von 99% oder mehr auf, und das Ergebnis ist, dass die Musik eines Komponisten durch maschinelles Lernen beurteilt werden kann. Bei den verwendeten Daten handelt es sich um etwa 10.000 von Audiostock bereitgestellte Songs sowie die verfügbaren Songs, die auf die gleiche Größe wie die bereitgestellten Daten zugeschnitten sind. Hier stellt sich die Frage, ob die bereitgestellten Daten vielfältig genug waren, um die Einzigartigkeit des Songs zu bestimmen. Der Autor hat nicht alle bereitgestellten Daten reproduziert. Die bereitgestellten Daten waren möglicherweise kein "schnelles" Lied, das die BPM150-Spezialität von t + pazolite übertraf, und es war einfach, das Ergebnis als Reaktion auf den Klang des im Topazo-Lied verwendeten speziellen Synthesizers zu bestimmen. Es gibt eine Möglichkeit. Dieses Mal möchte ich diesen Punkt überprüfen.

3. Überprüfung

Zunächst werden wir die Möglichkeit überprüfen, dass die bereitgestellten Daten verzerrt waren. Wenn die bereitgestellten Daten zu weit vom Pazo-Lied entfernt wären, um sie zu bestimmen, wäre die Bestimmung einfacher. Daher haben wir als Verifizierungsdaten eine Mischung aus "ähnlichen" Songs und Topo-Songs vorbereitet und untersucht, ob die Topo-Songs identifiziert werden können. Die Daten, die ich vorbereitet habe, sind klein, aber das Ergebnis sieht aus wie ein Foto. Wie erwartet sank die Genauigkeitsrate. Die Ursache ist, dass es nur wenige Songs gab, die den Lerndaten "ähnlich" waren. Es gibt einen ausreichenden Unterschied zwischen den von Audiostock bereitgestellten Daten und dem Pazo-Song, aber es ist nicht möglich, zwischen dem TANO-C-Song und dem Pazo-Song im gleichen Maßstab zu unterscheiden.

4. Verbesserung

Ich beschloss, die Songs anderer Komponisten der Komponistengruppe "HARDCORE TANO-C" zu mischen, zu der t + pazolite mit den Lerndaten gehört. Das Ergebnis ist wie folgt beim Lernen mit TANO-C-Musikdaten gemischt mit Lerndaten. Es wurden Beurteilungsergebnisse mit einer höheren einstelligen Genauigkeit als die vorherigen Ergebnisse erhalten. Es ist auch zu sehen, dass Topazo-Songs unter Songs desselben Genres unterscheidbar sind.

5. Am Ende

Aus diesem Ergebnis ist ersichtlich, dass ein bestimmter Komponist durch maschinelles Lernen identifiziert werden kann. Es wurde auch festgestellt, dass die Genauigkeit verbessert werden kann, indem viele Songs des Komponisten des gleichen Genres wie der Komponist in den Lerndaten gemischt werden. Das nächste Mal möchte ich eine Methode in Betracht ziehen, um die Genauigkeit durch die maschinelle Lernmethode selbst zu verbessern, anstatt die Daten vorzuverarbeiten.