# Music-Genre-Classification

**Repository Path**: yeyoung/music-genre-classification

## Basic Information

- **Project Name**: Music-Genre-Classification
- **Description**: 本项目主要研究了音乐流派分类，这是一个对音乐推荐系统和音乐库管理至关重要的问题。采用了高级特征工程方法，如梅尔频率倒谱系数（MFCC）、频谱质心、色度特征和频谱对比度，来提取音频信号中的关键信息。这些特征在揭示节奏、旋律和和声结构方面至关重要，并为后续的分类模型提供了丰富的输入。
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2023-12-25
- **Last Updated**: 2024-06-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

本项目主要研究了音乐流派分类，这是一个对音乐推荐系统和音乐库管理至关重要的问题。采用了高级特征工程方法，如梅尔频率倒谱系数（MFCC）、频谱质心、色度特征和频谱对比度，来提取音频信号中的关键信息。这些特征在揭示节奏、旋律和和声结构方面至关重要，并为后续的分类模型提供了丰富的输入。在模型构建方面，本项目探索了集成学习、传统机器学习和深度学习三种不同方法。集成学习模型结合了随机森林和梯度提升树，以提高分类的准确性和鲁棒性。同时，传统机器学习算法，如支持向量机(SVM)和K-最近邻(KNN)，被用来评估其在音乐流派分类中的基线性能。卷积神经网络模型(CNN)则专注于捕捉音乐信号的局部特征和层次结构，以期在处理具有复杂频谱结构的音乐片段时优化性能。实验结果表明，卷积神经网络模型(CNN)在整合多维特征方面表现出色，同时在利用音乐的空间特征信息方面更为有效。通过混淆矩阵、精确度、召回率和F1分数等指标进行综合评估，本项目不仅证明了所提方法的有效性，还展示了各模型在实际应用中的潜力和局限性。