Uso de MFCC en clasificación KNN

1. ¿Por qué se usa MFCC en la clasificación de audio??
2. ¿Se requiere escala de características para el algoritmo KNN Explicar con la justificación adecuada??
3. ¿Cómo puedo mejorar mi algoritmo KNN??
4. Se puede usar para la clasificación de múltiples clases?

¿Por qué se usa MFCC en la clasificación de audio??

Se observa que extraer características de la señal de audio y usarla como entrada al modelo base producirá un rendimiento mucho mejor que considerar directamente la señal de audio en bruto como entrada. MFCC es la técnica ampliamente utilizada para extraer las características de la señal de audio.

¿Se requiere escala de características para el algoritmo KNN Explicar con la justificación adecuada??

Sí, se requiere escala de características para obtener el mejor rendimiento del algoritmo KNN. Por ejemplo, imagine un conjunto de datos que tiene n número de instancias y n número de características. Hay una característica que tiene valores que varían entre 0 y 1. Mientras tanto, también hay una característica que varía de -999 a 999.

¿Cómo puedo mejorar mi algoritmo KNN??

La clave para mejorar el algoritmo es agregar una etapa de preprocesamiento para que el algoritmo final se ejecute con datos más eficientes y luego mejorar el efecto de la clasificación. Los resultados experimentales muestran que el algoritmo KNN mejorado mejora la precisión y la eficiencia de la clasificación.

Se puede usar para la clasificación de múltiples clases?

KNN se usa tanto para "binario" como para "clasificación de múltiples clases": en la terminología de aprendizaje automático, un problema de clasificación es aquel en el que, dada una lista de valores discretos como posibles resultados de predicción (conocidos como clases objetivo), el objetivo del El modelo es determinar qué punto de datos de clase objetivo podría pertenecer ...