Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On Limiting Donor Usage for Imputation of Missing Data via Hot Deck Methods Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

Statistical Comparison of Classifiers for Multi-objective Feature Selection in Instrument Recognition

verfasst von : Igor Vatolkin, Bernd Bischl, Günter Rudolph, Claus Weihs

Erschienen in: Data Analysis, Machine Learning and Knowledge Discovery

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Many published articles in automatic music classification deal with the development and experimental comparison of algorithms—however the final statements are often based on figures and simple statistics in tables and only a few related studies apply proper statistical testing for a reliable discussion of results and measurements of the propositions’ significance. Therefore we provide two simple examples for a reasonable application of statistical tests for our previous study recognizing instruments in polyphonic audio. This task is solved by multi-objective feature selection starting from a large number of up-to-date audio descriptors and optimization of classification error and number of selected features at the same time by an evolutionary algorithm. The performance of several classifiers and their impact on the pareto front are analyzed by means of statistical tests.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel On the Problem of Error Propagation in Classifier Chains for Multi-label Classification
Nächstes Kapitel The Dangers of Using Intention as a Surrogate for Retention in Brand Positioning Decision Support Systems
Literatur
Bischl, B., Eichhoff, M., & Weihs, C. (2010). Selecting groups of audio features by statistical tests and the group lasso. In Proceedings of the 9th ITG Fachtagung Sprachkommunikation. Berlin: VDE Verlag.
Blume, H., Bischl, B., Botteck, M., Igel, C., Martin, R., & Rötter, G. (2011). Huge music archives on mobile devices. IEEE Signal Processing Magazine, 28(4), 24–39.CrossRef
Downie, S. (2003). Music information retrieval. Annual Review of Information Science and Technology, 37(1), 295–340.CrossRef
Eronen, A. (2001). Automatic Musical Instrument Recognition (Master’s thesis). Department of Information Technology, Tampere University of Technology.
Fiebrink, R., & Fujinaga, I. (2006). Feature selection pitfalls and music classification. In Proceedings of the 7th International Conference on Music Information Retrieval (ISMIR) (pp. 340–341). University of Victoria.
Fuhrmann, S. (2012). Automatic Musical Instrument Recognition from Polyphonic Music Audio Signals (Ph.D. thesis). Department of Information and Communication Technologies, Universitat Pompeu Fabra, Barcelona.
Gillick, L., & Cox, S. (1989). Some statistical issues in the comparison of speech recognition algorithms. In Proceedings of the IEEE Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 532–535). New York: IEEE.
Hollander, M., & Wolfe, D. A. (1973). Nonparametric statistical methods. New York: Wiley.MATH
Mckay, C. (2010). Automatic Music Classification with jMIR (Ph.D. thesis). Department of Music Research, Schulich School of Music, McGill University, Montreal.
Meng, A., Ahrendt, P., Larsen, J., & Hansen, L. K. (2007). Temporal feature integration for music genre classification. IEEE Transactions on Audio, Speech and Language Processing, 15(5), 1654–1664.CrossRef
Noland, K., & Sandler, M. (2009). Influences of signal processing, tone profiles, and chord progressions on a model for estimating the musical key from audio. Computer Music Journal, 33(1), 42–56.CrossRef
Vatolkin, I., Preuß, & Rudolph, G. (2011). Multi-objective feature selection in music genre and style recognition tasks. In Proceedings of the 2011 Genetic and Evolutionary Computation Conference (GECCO) (pp. 411–418). New York: ACM.
Vatolkin, I., Preuß, Rudolph, G., Eichhoff, M., & Weihs, C. (2012). Multi-objective evolutionary feature selection for instrument recognition in polyphonic audio mixtures. Soft Computing, 16(12), 2027–2047.
Metadaten
Titel
Statistical Comparison of Classifiers for Multi-objective Feature Selection in Instrument Recognition
verfasst von
Igor Vatolkin
Bernd Bischl
Günter Rudolph
Claus Weihs
Copyright-Jahr
2014
Buch
Data Analysis, Machine Learning and Knowledge Discovery

Print ISBN: 978-3-319-01594-1

Electronic ISBN: 978-3-319-01595-8

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-319-01595-8_19