语音情感识别第一周报告

2018-08-17 本文已影响0人 YJango

第一周报告 - 于建国 (YJango)

extractor.py

data_maker.py

标准化：

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

shallow.py
标准化后的结果 (没有反标准化)

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

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

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.conf、IS10_paraling.conf、IS13_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。