У роботі розроблено метод побудови ансамблевих класифікаторів для розпізнавання аудіо-даних різної природи. Метод
є дата орієнтовним та потребує виконання наступних кроків. На першому кроці обираються вхідні датасети, які
трансформуються та розподіляються на навчальні та тестові вибірки відповідно. Для задачі розпізнавання аудіо-емоцій
обрано набори даних RAVDESS, розпізнавання жанру музики виконується на датасеті GTZAN. На другому кроці як
елементи ансамблевих класифікаторів створено та досліджено сім наступних класифікаторів: K Nearest Neighbors, Support
Vector Machine, Random Forest, XGBoost, Multilayer Perceptron, Convolutional Neural Network і Long Short-term Memory. В
процесі навчання елементарних класифікаторів налаштування відпопідних гіперпараметрів виконувалось за допомогою
підходу Grid Search. На третьому кроці елементарні класифікатори об’єднувались з використанням методу ансамблювання
stacking з такими видами агрегування, як soft voting, hard voting, soft voting з використанням функції GOMPERTZ. Було
перевірено всі можливі ансамблеві комбінації починаючі із трьох елементарних класифікаторів для розпізнавання аудіоемоцій та музичних жанрів. Тому загальна кількість ансамблів, які досліджувались в роботі становила 297. Результати
дослідження для проблеми класифікації аудіо-емоцій показали, що точність розпізнавання за метрикою Accuracy кращого
ансамблевого класифікатора на 8.1% вища, ніж у кращого із елементарних класифікаторів у його складі, якій базується на
MLP, а за метрикою F1 цей показник є вищим на 8 %. Для задачі розпізнавання музичних жанрів відповідні показники вище
на 5.6 % та на 5.2 % відповідно.
The work developed a method of building ensemble classifiers for recognizing audio data of various nature. The method is a
tentative date and requires the following steps. In the first step, the input datasets are selected, which are transformed and divided into
training and test samples, respectively. RAVDESS datasets are chosen for the task of audio emotion recognition, music genre
recognition is performed on the GTZAN dataset. In the second step, the following seven classifiers were created and investigated as
elements of ensemble classifiers: K Nearest Neighbors, Support Vector Machine, Random Forest, XGBoost, Multilayer Perceptron,
Convolutional Neural Network and Long Short-term Memory. In the process of training elementary classifiers, the corresponding
hyperparameters were adjusted using the Grid Search approach. In the third step, elementary classifiers were combined using the
stacking ensemble method with such types of aggregation as soft voting, hard voting, soft voting using the GOMPERTZ function. All
possible ensemble combinations starting with three elementary classifiers for recognizing audio emotions and music genres were
tested. Therefore, the total number of ensembles studied in the work was 297. The research results for the problem of audio emotion
classification showed that the accuracy of recognition according to the Accuracy metric of the best ensemble classifier is 8.1% higher
than that of the best elementary classifier in its composition, which is based on on MLP, and according to the F1 metric, this indicator
is 8% higher. For the task of recognizing music genres, the corresponding indicators are higher by 5.6 % and 5.2 %, respectively.
