AI 音辨世界：艺术小白的我，靠这个AI模型，速识音乐流派选择音乐 ⛵

? 作者：韩信子@ShowMeAI
? 数据分析实战系列：https://www.showmeai.tech/tutorials/40
? 机器学习实战系列：https://www.showmeai.tech/tutorials/41
? 本文地址：https://www.showmeai.tech/article-detail/309
? 声明：版权所有，转载请联系平台与作者并注明出处
? 收藏ShowMeAI查看更多精彩内容

只要给到足够的相关信息，AI模型可以迅速学习一个新的领域问题，并构建起很好的知识和预估系统。比如音乐领域，借助于歌曲相关信息，模型可以根据歌曲的音频和歌词特征将歌曲精准进行流派分类。在本篇内容中 ShowMeAI 就带大家一起来看看，如何基于机器学习完成对音乐的识别分类。

本篇内容使用到的数据集为 ?Spotify音乐数据集，大家也可以通过 ShowMeAI 的百度网盘地址快速下载。

? 实战数据集下载（百度网盘）：公众号『ShowMeAI研究中心』回复『实战』，或者点击 这里 获取本文 [18]音乐流派识别的机器学习系统搭建与调优 『Spotify 音乐数据集』

⭐ ShowMeAI官方GitHub：https://github.com/ShowMeAI-Hub

我们在本篇内容中将用到最常用的 boosting 集成工具库 LightGBM，并且将结合 optuna 工具库对其进行超参数调优，优化模型效果。

关于 LightGBM 的模型原理和使用详细讲解，欢迎大家查阅 ShowMeAI 的文章：

?图解机器学习算法(11) | LightGBM模型详解

?机器学习实战(5) | LightGBM建模应用详解

本篇文章包含以下内容板块：

• 数据概览和预处理
• EDA探索性数据分析
• 歌词特征&数据降维
• 建模和超参数优化
• 总结&经验

? 数据概览和预处理

本次使用的数据集包含超过 18000 首歌曲的信息，包括其音频特征信息（如活力度，播放速度或调性等），以及歌曲的歌词。

我们读取数据并做一个速览如下：

import pandas as pd# 读取数据data = pd.read_csv("spotify_songs.csv")# 数据速览data.head()

# 数据基本信息data.info()

字段说明如下：

原始的数据有点杂乱，我们先进行过滤和数据清洗。

# 数据工具库import pandas as pdimport re# 歌词处理的nlp工具库import nltkfrom nltk.corpus import stopwordsfrom collections import Counter# nltk.download('stopwords')# 读取数据data = pd.read_csv("spotify_songs.csv")# 字段选择keep_cols = [x for x in data.columns if not x.startswith("track") and not x.startswith("playlist")]keep_cols.append("playlist_genre")df = data[keep_cols].copy()# 只保留英文歌曲subdf = df[(df.language == "en") & (df.playlist_genre != "latin")].copy().drop(columns = "language")# 歌词规整化，全部小写pattern = r"[^a-zA-Z ]"subdf.lyrics = subdf.lyrics.apply(lambda x: re.sub(pattern, "", x.lower()))# 移除停用词subdf.lyrics = subdf.lyrics.apply(lambda x: ' '.join([word for word in x.split() if word not in (stopwords.words("english"))]))# 查看歌词中的词汇出现的频次# 连接所有歌词all_text = " ".join(subdf.lyrics)# 统计词频word_count = Counter(all_text.split())# 如果一个词在200首以上的歌里都出现，则保留，否则视作低频过滤掉keep_words = [k for k, v in word_count.items() if v > 200]# 构建一个副本lyricdf = subdf.copy().reset_index(drop=True)# 字段名称规范化lyricdf.columns = ["audio_"+ x if not x in ["lyrics", "playlist_genre"] else x for x in lyricdf.columns]# 歌词内容lyricdf.lyrics = lyricdf.lyrics.apply(lambda x: Counter([word for word in x.split() if word in keep_words]))# 构建词汇词频Dataframeunpacked_lyrics = pd.DataFrame.from_records(lyricdf.lyrics).add_prefix("lyrics_")# 缺失填充为0unpacked_lyrics = unpacked_lyrics.fillna(0) # 拼接并删除原始歌词列lyricdf = pd.concat([lyricdf, unpacked_lyrics], axis = 1).drop(columns = "lyrics")# 排序reordered_cols = [col for col in lyricdf.columns if not col.startswith("lyrics_")] + sorted([col for col in lyricdf.columns if col.startswith("lyrics_")])lyricdf = lyricdf[reordered_cols]# 存储为新的csv文件lyricdf.to_csv("music_data.csv", index = False)

主要的数据预处理在上述代码的注释里大家可以看到，核心步骤概述如下：

• 过滤数据以仅包含英语歌曲并删除“拉丁”类型的歌曲（因为这些歌曲几乎完全是西班牙语，所以会产生严重的类不平衡）。
• 通过将歌词设为小写、删除标点符号和停用词来整理歌词。计算每个剩余单词在歌曲歌词中出现的次数，然后过滤掉所有歌曲中出现频率最低的单词（混乱的数据/噪音）。
• 清理与排序。

? EDA探索性数据分析

和过往所有的项目一样，我们也需要先对数据做一些分析和更进一步的理解，也就是EDA探索性数据分析过程。

EDA数据分析部分涉及的工具库，大家可以参考ShowMeAI制作的工具库速查表和教程进行学习和快速使用。
?数据科学工具库速查表 | Pandas 速查表
?图解数据分析：从入门到精通系列教程

首先我们检查一下我们的标签（流派）的类分布和平衡。

# 分组统计by_genre = data.groupby("playlist_genre")["audio_key"].count().reset_index()fig, ax = plt.subplots()# 绘图ax.bar(by_genre.playlist_genre, by_genre.audio_key)ax.set_ylabel("Number of Observations")ax.set_xlabel("Genre")ax.set_title("Observations per Class")ax.set_ylim(0, 4000)# 每个柱子上标注数量rects = ax.patchesfor rect in rects:    height = rect.get_height()    ax.text(        rect.get_x() + rect.get_width() / 2, height + 5, height, ha="center", va="bottom"    )

存在轻微的类别不平衡，那后续我们在交叉验证和训练测试拆分时候注意数据分层（保持比例分布） 即可。

# 把所有字段切分为音频和歌词列audio = data[[x for x in data.columns if x.startswith("audio")]]lyric = data[[x for x in data.columns if x.startswith("lyric")]]# 让字段命名更简单一些audio.columns = audio.columns.str.replace("audio_", "")lyric.columns = lyric.columns.str.replace("lyric_", "")

? 歌词特征&数据降维

我们的机器学习算法在处理高维数据的时候，可能会有一些性能问题，有时候我们会对数据进行降维处理。

降维的本质是将高维数据投影到低维子空间中，同时尽可能多地保留数据中的信息。关于降维大家可以查看 ShowMeAI 的算法原理讲解文章 ?图解机器学习 | 降维算法详解

我们探索一下降维算法（PCA 和 t-SNE）在我们的歌词数据上降维是否合适，并做一点调整。

? PCA主成分分析

PCA是最常用的降维算法之一，我们借助这个算法可以对数据进行降维，并且看到它保留大概多少的原始信息量。例如，在我们当前场景中，如果将歌词减少到400 维，我们仍然保留了歌词中60% 的信息（方差） ；如果降维到800维，则可以覆盖 80% 的原始信息（方差）。歌词本身是很稀疏的，我们对其降维也能让模型更好地建模。

# 常规数据工具库import pandas as pdimport numpy as np# 绘图import matplotlib.pyplot as pltimport matplotlib.ticker as mtick# 数据处理from sklearn.preprocessing import MinMaxScalerfrom sklearn.decomposition import PCA# 读取数据data = pd.read_csv("music_data.csv")# 切分为音频与歌词audio = data[[x for x in data.columns if x.startswith("audio")]]lyric = data[[x for x in data.columns if x.startswith("lyric")]]# 特征字段y = data.playlist_genre# 数据幅度缩放 + PCA降维scaler = MinMaxScaler()audio_features = scaler.fit_transform(audio)lyric_features = scaler.fit_transform(lyric)pca = PCA()lyric_pca  = pca.fit_transform(lyric_features)var_explained_ratio = pca.explained_variance_ratio_   # Plot graphfig, ax = plt.subplots()# Reduce marginsplt.margins(x=0.01)# Get cumuluative sum of variance explainedcum_var_explained = np.cumsum(var_explained_ratio)# Plot cumulative sumax.fill_between(range(len(cum_var_explained)), cum_var_explained,                alpha = 0.4, color = "tab:orange",                label = "Cum. Var.")ax.set_ylim(0, 1)# Plot actual proportionsax2 = ax.twinx()ax2.plot(range(len(var_explained_ratio)), var_explained_ratio,         alpha = 1, color = "tab:blue", lw  = 4, ls = "--",         label = "Var per PC")ax2.set_ylim(0, 0.005)# Add lines to indicate where good values of components may beax.hlines(0.6, 0, var_explained_ratio.shape[0], color = "tab:green", lw = 3, alpha = 0.6, ls=":")ax.hlines(0.8, 0, var_explained_ratio.shape[0], color = "tab:green", lw = 3, alpha = 0.6, ls=":")# Plot both legends togetherlines, labels = ax.get_legend_handles_labels()lines2, labels2 = ax2.get_legend_handles_labels()ax2.legend(lines + lines2, labels + labels2)# Format axis as percentagesax.yaxis.set_major_formatter(mtick.PercentFormatter(1))ax2.yaxis.set_major_formatter(mtick.PercentFormatter(1)) # Add titles and labelsax.set_ylabel("Cum. Prop. of Variance Explained")ax2.set_ylabel("Prop. of Variance Explained per PC", rotation = 270, labelpad=30)ax.set_title("Variance Explained by Number of Principal Components")ax.set_xlabel("Number of Principal Components")

? t-SNE可视化

我们还可以更进一步，可视化数据在一系列降维过程中的可分离性。t-SNE算法是一个非常有效的非线性降维可视化方法，借助于它，我们可以把数据绘制在二维平面观察其分散程度。下面的t-SNE可视化展示了当我们使用所有1806个特征或将其减少为 1000、500、100 个主成分时，如果将歌词数据投影到二维空间中会是什么样子。

代码如下：

from sklearn.manifold import TSNEimport seaborn as sns# Merge numeric labels with normalised audio data and lyric principal componentstsne_processed = pd.concat([    pd.Series(y, name = "genre"),    pd.DataFrame(audio_features, columns=audio.columns),    # Add prefix to make selecting pcs easier later on    pd.DataFrame(lyric_pca).add_prefix("lyrics_pc_")          ], axis = 1)# Get t-SNE values for a range of principal component cutoffs, 1806 is all PCsall_tsne = pd.DataFrame()for cutoff in ["1806", "1000", "500", "100"]:    # Create t-SNE object    tsne = TSNE(init = "random", learning_rate = "auto")    # Fit on normalised features (excluding the y/label column)    tsne_results = tsne.fit_transform(tsne_processed.loc[:, "audio_danceability":f"lyrics_pc_{cutoff}"])        # neater graph    if cutoff == "1806":        cutoff = "All 1806"    # Get results    tsne_df = pd.DataFrame({"y":y,                        "tsne-2d-one":tsne_results[:,0],                       "tsne-2d-two":tsne_results[:,1],                           "Cutoff":cutoff})    # Store results    all_tsne = pd.concat([all_tsne, tsne_df], axis = 0)    # Plot gridplotg = sns.FacetGrid(all_tsne, col="Cutoff", hue = "y",                col_wrap = 2, height = 6,                palette=sns.color_palette("hls", 4),               )# Add plotsg.map(sns.scatterplot, "tsne-2d-one", "tsne-2d-two", alpha = 0.3)# Add titles/legendsg.fig.suptitle("t-SNE Plots vs Number of Principal Components Included", y = 1)g.add_legend()

理想情况下，我们希望看到的是，在降维到某些主成分数量（例如 cutoff = 1000）时，流派变得更加可分离。

然而，上述 t-SNE 图的结果显示，PCA 这一步不同数量的主成分并没有哪个会让数据标签更可分离。

? 自编码器降维

实际上我们有不同的方式可以完成数据降维任务，在下面的代码中，我们提供了 PCA、截断 SVD 和 Keras 自编码器三种方式作为候选，调整配置即可进行选择。

为简洁起见，自动编码器的代码已被省略，但可以在 autoencode 内的功能 custom_functions.py 中的文件库。

# 通用库import pandas as pdimport numpy as np# 建模库from sklearn.model_selection import train_test_splitfrom sklearn.decomposition import PCA, TruncatedSVDfrom sklearn.preprocessing import LabelEncoder, MinMaxScaler# 神经网络from keras.layers import Dense, Input, LeakyReLU, BatchNormalizationfrom keras.callbacks import EarlyStoppingfrom keras import Model# 定义自编码器def autoencode(lyric_tr, n_components):    """Build, compile and fit an autoencoder for    lyric data using Keras. Uses a batch normalised,    undercomplete encoder with leaky ReLU activations.    It will take a while to train.    --------------------------------------------------    lyric_tr = df of lyric training data    n_components = int, number of output dimensions    from encoder    """    n_inputs = lyric_tr.shape[1]    # 定义encoder    visible = Input(shape=(n_inputs,))    # encoder模块1    e = Dense(n_inputs*2)(visible)    e = BatchNormalization()(e)    e = LeakyReLU()(e)    # encoder模块2    e = Dense(n_inputs)(e)     e = BatchNormalization()(e)    e = LeakyReLU()(e)    bottleneck = Dense(n_components)(e)    # decoder模块1    d = Dense(n_inputs)(bottleneck)    d = BatchNormalization()(d)    d = LeakyReLU()(d)    # decoder模块2    d = Dense(n_inputs*2)(d)    d = BatchNormalization()(d)    d = LeakyReLU()(d)    # 输出层    output = Dense(n_inputs, activation='linear')(d)    # 完整的autoencoder模型    model = Model(inputs=visible, outputs=output)    # 编译    model.compile(optimizer='adam', loss='mse')    # 回调函数    callbacks = EarlyStopping(patience = 20, restore_best_weights = True)    # 训练模型    model.fit(lyric_tr, lyric_tr, epochs=200,                        batch_size=16, verbose=1, validation_split=0.2,             callbacks = callbacks)        # 在降维阶段，我们只用encoder部分就可以(对数据进行压缩)    encoder = Model(inputs=visible, outputs=bottleneck)    return encoder# 数据预处理函数，主要是对特征列进行降维，标签列进行编码def pre_process(train = pd.DataFrame,                test = pd.DataFrame,                reduction_method = "pca",                n_components = 400):    # 切分X和y    y_train = train.playlist_genre    y_test = test.playlist_genre    X_train = train.drop(columns = "playlist_genre")    X_test = test.drop(columns = "playlist_genre")        # 标签编码为数字    label_encoder = LabelEncoder()    label_train = label_encoder.fit_transform(y_train)    label_test = label_encoder.transform(y_test)    # 对数据进行幅度缩放处理    scaler = MinMaxScaler()    X_norm_tr = scaler.fit_transform(X_train)    X_norm_te = scaler.transform(X_test)    # 重建数据    X_norm_tr = pd.DataFrame(X_norm_tr, columns = X_train.columns)    X_norm_te = pd.DataFrame(X_norm_te, columns = X_test.columns)    # mode和key都设定为类别型    X_norm_tr["audio_mode"] = X_train["audio_mode"].astype("category").reset_index(drop = True)    X_norm_tr["audio_key"] = X_train["audio_key"].astype("category").reset_index(drop = True)    X_norm_te["audio_mode"] = X_test["audio_mode"].astype("category").reset_index(drop = True)    X_norm_te["audio_key"] = X_test["audio_key"].astype("category").reset_index(drop = True)        # 歌词特征    lyric_tr = X_norm_tr.loc[:, "lyrics_aah":]    lyric_te = X_norm_te.loc[:, "lyrics_aah":]    # 如果使用PCA降维    if reduction_method == "pca":        pca = PCA(n_components)        # 拟合训练集        reduced_tr = pd.DataFrame(pca.fit_transform(lyric_tr)).add_prefix("lyrics_pca_")        # 对测试集变换（降维）        reduced_te = pd.DataFrame(pca.transform(lyric_te)).add_prefix("lyrics_pca_")        # 如果使用SVD降维    if reduction_method == "svd":        svd = TruncatedSVD(n_components)        # 拟合训练集        reduced_tr = pd.DataFrame(svd.fit_transform(lyric_tr)).add_prefix("lyrics_svd_")        # 对测试集变换（降维）        reduced_te = pd.DataFrame(svd.transform(lyric_te)).add_prefix("lyrics_svd_")        # 如果使用自编码器降维（注意，神经网络的训练时间会长一点，要耐心等待）    if reduction_method == "keras":        # 构建自编码器        encoder = autoencode(lyric_tr, n_components)                # 通过编码器部分进行数据降维        reduced_tr = pd.DataFrame(encoder.predict(lyric_tr)).add_prefix("lyrics_keras_")        reduced_te = pd.DataFrame(encoder.predict(lyric_te)).add_prefix("lyrics_keras_")                    # 合并降维后的歌词特征与音频特征    X_norm_tr = pd.concat([X_norm_tr.loc[:, :"audio_duration_ms"],                          reduced_tr                          ], axis = 1)    X_norm_te = pd.concat([X_norm_te.loc[:, :"audio_duration_ms"],                           reduced_te                           ], axis = 1)    return X_norm_tr, label_train, X_norm_te, label_test, label_encoder# 分层切分数据train_raw, test_raw = train_test_split(data, test_size = 0.2,                                       shuffle = True, random_state = 42, # random, reproducible split                                       stratify = data.playlist_genre)# 设定降维最终维度n_components = 500# 选择降维方法，候选: "pca", "svd", "keras"reduction_method = "pca"# 完整的数据预处理X_train, y_train, X_test, y_test, label_encoder = pre_process(train_raw, test_raw,                                                      reduction_method = reduction_method,                                                     n_components = n_components)

上述过程之后我们已经完成对数据的标准化、编码转换和降维，接下来我们使用它进行建模。

? 建模和超参数优化? 构建模型

在实际建模之前，我们要先选定一个评估指标来评估我们模型的性能，也方便指导进一步的优化。由于我们数据最终的标签『流派/类别』略有不平衡，宏观 F1 分数（macro f1-score） 可能是一个不错的选择，因为它平等地评估了类别的贡献。我们在下面对这个评估准则进行定义，也敲定 LightGBM 模型的部分超参数。

from sklearn.metrics import f1_score# 定义评估准则(Macro F1)def lgb_f1_score(preds, data):    labels = data.get_label()    preds = preds.reshape(5, -1).T    preds = preds.argmax(axis = 1)    f_score = f1_score(labels , preds,  average = 'macro')    return 'f1_score', f_score, True# 用于编译的参数fixed_params = {        'objective': 'multiclass',        'metric': "None",   # 我们自定义的f1-score可以应用        'num_class': 5,        'verbosity': -1,}

LightGBM 带有大量可调超参数，这些超参数对于最终效果影响很大。

关于 LightGBM 的超参数细节详细讲解，欢迎大家查阅 ShowMeAI 的文章：

?机器学习实战(5) | LightGBM建模应用详解

下面我们会基于Optuna这个工具库对 LightGBM 的超参数进行调优，我们需要在 param 定义超参数的搜索空间，在此基础上 Optuna 会进行优化和超参数的选择。

# 建模from sklearn.model_selection import StratifiedKFoldimport lightgbm as lgbfrom optuna.integration import LightGBMPruningCallback# 定义目标函数def objective(trial, X, y):        # 候选超参数    param = {**fixed_params,        'boosting_type': 'gbdt',        'num_leaves': trial.suggest_int('num_leaves', 2, 3000, step = 20),        'feature_fraction': trial.suggest_float('feature_fraction', 0.2, 0.99, step = 0.05),        'bagging_fraction': trial.suggest_float('bagging_fraction', 0.2, 0.99, step = 0.05),        'bagging_freq': trial.suggest_int('bagging_freq', 1, 7),        'min_child_samples': trial.suggest_int('min_child_samples', 5, 100),        "n_estimators": trial.suggest_int("n_estimators", 200, 5000),        "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3),        "max_depth": trial.suggest_int("max_depth", 3, 12),        "min_data_in_leaf": trial.suggest_int("min_data_in_leaf", 5, 2000, step=5),        "lambda_l1": trial.suggest_float("lambda_l1", 1e-8, 10.0, log=True),        "lambda_l2": trial.suggest_float("lambda_l2", 1e-8, 10.0, log=True),        "min_gain_to_split": trial.suggest_float("min_gain_to_split", 0, 10),        "max_bin": trial.suggest_int("max_bin", 200, 300),    }        # 构建分层交叉验证    cv = StratifiedKFold(n_splits = 5, shuffle = True)    # 5组得分    cv_scores = np.empty(5)        # 切分为K个数据组，轮番作为训练集和验证集进行实验    for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)):        # 数据切分        X_train_cv, X_test_cv = X.iloc[train_idx], X.iloc[test_idx]        y_train_cv, y_test_cv = y[train_idx], y[test_idx]        # 转为lightgbm的Dataset格式        train_data = lgb.Dataset(X_train_cv, label = y_train_cv, categorical_feature="auto")        val_data = lgb.Dataset(X_test_cv, label = y_test_cv,  categorical_feature="auto",                              reference = train_data)                # 回调函数        callbacks = [            LightGBMPruningCallback(trial, metric = "f1_score"),                     # 间歇输出信息                    lgb.log_evaluation(period = 100),                     # 早停止，防止过拟合                    lgb.early_stopping(50)]        # 训练模型        model = lgb.train(params = param,  train_set = train_data,                          valid_sets = val_data,                             callbacks = callbacks,                          feval = lgb_f1_score # 自定义评估准则                         )                # 预估        preds = np.argmax(model.predict(X_test_cv), axis = 1)        # 计算f1-score        cv_scores[idx] = f1_score(y_test_cv, preds, average = "macro")    return np.mean(cv_scores)

? 超参数优化

我们在上面定义完了目标函数，现在可以使用 Optuna 来调优模型的超参数了。

# 超参数优化import optuna# 定义Optuna的实验次数n_trials = 200# 构建Optuna study去进行超参数检索与调优study = optuna.create_study(direction = "maximize", # 最大化交叉验证的F1得分                            study_name = "LGBM Classifier",                           pruner=optuna.pruners.HyperbandPruner())func = lambda trial: objective(trial, X_train, y_train)study.optimize(func, n_trials = n_trials)

然后，我们可以使用 ?Optuna 的可视化模块 对不同超参数组合的性能进行可视化查看。例如，我们可以使用 plot_param_importances(study) 查看哪些超参数对模型性能/影响优化最重要。

plot_param_importances(study)

我们也可以使用 plot_parallel_coordinate(study)查看尝试了哪些超参数组合/范围可以带来高评估结果值（好的效果性能）。

plot_parallel_coordinate(study)

然后我们可以使用 plot_optimization_history 查看历史情况。

plot_optimization_history(study)

在Optuna完成调优之后：

• 最好的超参数存储在 study.best_params 属性中。我们把模型的最终参数 params 定义为 params = {**fixed_params, **study.best_params} 即可，如后续的代码所示。
• 当然，你也可以缩小搜索空间/超参数范围，进一步做精确的超参数优化。

# 最佳模型实验cv = StratifiedKFold(n_splits = 5, shuffle = True)# 5组得分cv_scores = np.empty(5)# 切分为K个数据组，轮番作为训练集和验证集进行实验for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)):    # 数据切分    X_train_cv, X_test_cv = X.iloc[train_idx], X.iloc[test_idx]    y_train_cv, y_test_cv = y[train_idx], y[test_idx]    # 转为lightgbm的Dataset格式    train_data = lgb.Dataset(X_train_cv, label = y_train_cv, categorical_feature="auto")    val_data = lgb.Dataset(X_test_cv, label = y_test_cv,  categorical_feature="auto",                          reference = train_data)        # 回调函数    callbacks = [        LightGBMPruningCallback(trial, metric = "f1_score"),                 # 间歇输出信息                lgb.log_evaluation(period = 100),                 # 早停止，防止过拟合                lgb.early_stopping(50)]    # 训练模型    model = lgb.train(params = {**fixed_params, **study.best_params},  train_set = train_data,                      valid_sets = val_data,                         callbacks = callbacks,                      feval = lgb_f1_score # 自定义评估准则                     )        # 预估    preds = np.argmax(model.predict(X_test_cv), axis = 1)    # 计算f1-score    cv_scores[idx] = f1_score(y_test_cv, preds, average = "macro")

? 最终评估

通过上述过程我们就获得了最终模型，让我们来评估一下吧！

# 预估与评估训练集train_preds = model.predict(X_train)train_predictions = np.argmax(train_preds, axis = 1)train_error = f1_score(y_train, train_predictions, average = "macro")# 交叉验证结果cv_error = np.mean(cv_scores)# 评估测试集test_preds = model.predict(X_test)test_predictions = np.argmax(test_preds, axis = 1)test_error = f1_score(y_test, test_predictions, average = "macro")# 存储评估结果results = pd.DataFrame({"n_components": n_components,                        "reduction_method": reduction_method,                        "train_error": train_error,                        "cv_error": cv_error,                        "test_error": test_error,                        "n_trials": n_trials                       }, index = [0])

我们可以实验和比较不同的降维方法、降维维度，再调参查看模型效果。如下图所示，在我们当前的尝试中，PCA降维到 400 维产出最好的模型 ——macro f1-score 为66.48%。

? 总结

在本篇内容中， ShowMeAI 展示了基于歌曲信息与文本对其进行『流派』分类的过程，包含对文本数据的处理、特征工程、模型建模和超参数优化等。大家可以把整个pipeline作为一个模板来应用在其他任务当中。

参考资料

• ? 图解数据分析：从入门到精通系列教程：https://www.showmeai.tech/tutorials/3
• ? 数据科学工具库速查表 | Pandas 速查表：https://www.showmeai.tech/article-detail/101
• ? 图解机器学习算法 | 降维算法详解：https://www.showmeai.tech/article-detail/198
• ? 图解机器学习算法 | LightGBM模型详解：https://www.showmeai.tech/article-detail/195
• ? 机器学习实战 | LightGBM建模应用详解：https://www.showmeai.tech/article-detail/205
• ? Optuna 的可视化模块
• ? Akiba,T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019, July). Optuna: A next-generation hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 2623–2631).
• ? Autoencoder Feature Extractions
• ? Kaggler’s Guide to LightGBM Hyperparameter Tuning with Optuna in 2021
• ? You Are Missing Out on LightGBM. It Crushes XGBoost in Every Aspect