[PYTHON] Discriminer les chansons t + pazolite par apprentissage automatique (développement du défi NNC)

1.Tout d'abord

[La dernière fois] 1 a montré que "la musique t + pazolite peut être discriminée par la machine" comme une œuvre de [NNC Challenge] 2. Bien que satisfait du résultat, je n'ai pas pu penser à l'essentiel de l'apprentissage automatique du début au prétraitement des données pour que le contenu puisse être entré dans NNC. Je voudrais créer un contenu plus pratique en utilisant ce que j'ai remarqué dans le défi précédent.

2. La machine a-t-elle vraiment jugé la chanson?

La dernière fois, j'ai créé un classificateur qui mélange les données musicales fournies par [Audiostock] 3 avec la musique et détermine si la musique est due ou non à la musique. L'évaluation affiche un taux de réponse correcte de 99% ou plus, et le résultat est que la musique d'un compositeur peut être jugée par apprentissage automatique. Les données utilisées sont environ 10 000 chansons fournies par Audiostock, avec l'ajout des chansons disponibles qui ont été coupées à la même taille que les données fournies. La question ici est de savoir si les données fournies étaient suffisamment diverses pour déterminer le caractère unique de la chanson. L'auteur n'a pas réellement reproduit toutes les données fournies. Les données fournies n'étaient peut-être pas des chansons "rapides" qui dépassaient le BPM 150 pour lequel t + pazolite est bon, et il était facile de juger du résultat en réponse au son du synthétiseur spécial utilisé dans la chanson Topazo. Il y a une possibilité. Cette fois, je voudrais vérifier ce point.

3. Vérification

Tout d'abord, nous vérifierons la possibilité que les données fournies aient été biaisées. Si les données fournies étaient trop dissociées de la chanson de Pazo pour être déterminées, la détermination serait plus facile. Par conséquent, en tant que données de vérification, nous avons préparé un mélange de chansons "similaires" et de chansons topo, et avons cherché à savoir si les chansons topo pouvaient être identifiées. Les données que j'ai préparées sont petites, mais le résultat ressemble à une photo. Comme prévu, le taux de précision a chuté. La cause est qu'il y avait peu de chansons qui étaient "similaires" aux données d'apprentissage. Il y a une différence suffisante entre les données fournies par Audiostock et le morceau Pazo, mais il n'est pas possible de faire la distinction entre le morceau TANO-C et le morceau Pazo sur la même échelle.

4. Amélioration

J'ai décidé de mélanger les chansons d'autres compositeurs du groupe de compositeurs "HARDCORE TANO-C" auquel appartient t + pazolite avec les données d'apprentissage. Le résultat est le suivant lors de l'apprentissage avec des données musicales TANO-C mélangées avec des données d'apprentissage. Des résultats de jugement avec une précision à un chiffre plus élevée que les résultats précédents ont été obtenus. On peut également voir que les chansons Topazo sont des chansons distinguables parmi les chansons du même genre.

5. À la fin

À partir de ce résultat, on peut voir qu'un compositeur spécifique peut être identifié par apprentissage automatique. Il a également été constaté que la précision peut être améliorée en mélangeant un grand nombre de chansons du compositeur du même genre que le compositeur dans les données d'apprentissage. La prochaine fois, j'aimerais envisager une méthode pour améliorer la précision par la méthode d'apprentissage automatique elle-même au lieu de prétraiter les données.