def loadData(): database = '' if emo_db: database = 'emo' elif ravdess: database = 'ravdess' elif savee: database = 'savee' print(database) x_tr, x_t, y_tr, y_t = escolher_dataset(database, '2d', 'mfcc', window) check_classes(y_tr, y_t) y_tr = string2num(y_tr) y_t = string2num(y_t) x_tr = x_tr.reshape(-1, x_tr.shape[1:][0], x_tr.shape[1:][1], 1) x_t = x_t.reshape(-1, x_tr.shape[1:][0], x_tr.shape[1:][1], 1) y_tr = to_categorical(y_tr) y_t = to_categorical(y_t) return x_tr, y_tr, x_t, y_t
def loadData(): x_tr, x_t, y_tr, y_t = escolher_dataset('emo', '1d', 'mfcc') check_classes(y_tr, y_t) #y_tr = string2num(y_tr) #y_t = string2num(y_t) #x_tr = x_tr.reshape(-1, x_tr.shape[1:][0] * x_tr.shape[1:][1]) #x_t = x_t.reshape(-1, x_t.shape[1:][0] * x_t.shape[1:][1]) #y_tr = to_categorical(y_tr) #y_t = to_categorical(y_t) return x_tr, y_tr, x_t, y_t
def LDA_AUDIO_1D(): print('----- AUDIO 1D -----') x_tr, x_t, y_tr, y_t = escolher_dataset('emo', '1d', 'audio') print('Shape 1d Audio: ', x_tr.shape) model = LinearDiscriminantAnalysis() model.fit(x_tr, y_tr) transformed = model.transform(x_tr) print('Shape Audio pós LDA: ', transformed.shape) y_pred = model.predict(x_t) accuracy = accuracy_score(y_true=y_t, y_pred=y_pred) print("Precisão: {:.2f}%".format(accuracy * 100))
def loadData(): database = '' if emo_db: database = 'emo' elif ravdess: database = 'ravdess' elif savee: database = 'savee' x, y = escolher_dataset(database, '2d', 'mfcc') y = string2num(y) x = x.reshape(-1, x.shape[1:][0], x.shape[1:][1], 1) y = to_categorical(y) return x, y
def LDA_MFCC_1D(): print('----- MFCC 1D -----') x_tr, x_t, y_tr, y_t = escolher_dataset('emo', '2d', 'mfcc') print('Shape 2d Mfcc: ',x_tr.shape) x_tr = x_tr.reshape(x_tr.shape[0], -1) x_t = x_t.reshape(x_t.shape[0], -1) print('Shape 1d Mfcc: ', x_tr.shape) model = LinearDiscriminantAnalysis() model.fit(x_tr, y_tr) transformed = model.transform(x_tr) print('Shape Mfcc pós LDA: ', transformed.shape) y_pred = model.predict(x_t) accuracy = accuracy_score(y_true=y_t, y_pred=y_pred) print("Precisão: {:.2f}%".format(accuracy * 100))
from sklearn.neural_network import MLPClassifier from sklearn.metrics import accuracy_score from datasets import escolher_dataset, confusionmatrix from models import escolher_modelo import os import pickle # Carregar dados do dataset selecionado # Datasets disponiveis: emo, ravdess. X_train, X_test, y_train, y_test = escolher_dataset("emo") # Numero de amostra nos dados de treino print("[+] Numero de amostras para treino:", X_train.shape[0]) # number of samples in testing data print("[+] Numero de amostras para teste:", X_test.shape[0]) #Numero de features utilizadas print("[+] Numero de features:", X_train.shape[1]) # Configurando o modelo # Modelos disponiveis: padrao. model = escolher_modelo("padrao") # Treinamento do modelo print("[*] Treinando o modelo...") model.fit(X_train, y_train) # predicção de 20% dos dados para ver quão bom o modelo está y_pred = model.predict(X_test)