基于朴素贝叶斯分类器的语音性别识别 高斯分布

具体题目参考

https://www.kaggle.com/primaryobjects/voicegender

U201714600

数据集概述

集合中共有 3168 条数据，男女各 1584 条，每条数据可视

作一个长度为 21 的一维数组。其中前 20 个数值是这条语音的 20 个特征值，这些特征值包括了语音信号的长度、基频、标准差、频带中值点/一分位频率/三分位频率等；最后一个数值是性别标记。元数据集中直接以字符串,即 male 和 female 进行标注。

问题分析

使用 7：3 划分数据集。通过朴素贝叶斯方法，可以先对所有特征值做统计，并且通过连续性参数估计（高斯分布）方法得到参数。之后使用预测函数预测测试集。

打开voice.csv文件，20个特征值分类为F1，F2 ,F3 …,F20。

朴素贝叶斯方法，对于某测试数据，Fi’代表其在Fi特征的值

则P(男|F1’×F2’×F3’....×F20’)=P(男)*P(F1’|男)*P(F2’|男).....*P(F20’|男)/

[P(F1)*P(F2’).....*P(F20’)]

则可以通过比较P(男)*P(F1’|男)*P(F2’|男).....*P(F20’|男)和P(女)*P(F1’|女)*P(F2’|女).....*P(F20’|女)的大小给出性别。

方法本质上是概率的叠乘，20个特征，多个特征的概率相乘，乘积的结果将会非常小，从而影响实验结果。所以这里统一取对数。

考虑到数据缺失的问题，发现mode 和 dfrange 等列都有为0 的值，说明数据有缺失，若采用高斯分布，则其概率可能接近0，导致总概率非常低，所以对缺失的值，采取该特征平均值代替。结合高斯分布，同时避免了某个概率接近0，则总的概率接近0的情况。

原数据集中直接以字符串male和female进行标注，本次实验用1表示男性、0表示女性。

原数据中男女并不是随机分布，而是前半部分男后半部分女，所以要先打乱或者随机抽取训练数据。

1.3设计与分析

设计流程图如图1.1

图1.1

1.4结果分析（包括实际运行结果截图，性能结果图、表等）

由于每次随机划分测试与训练数据，结果不同，取四次运行结果，如图

测试集数量: 1056 正确数量： 941 正确率： 0.8910984848484849
测试男数量： 530  正确数量：  512  正确率：  0.9660377358490566
测试女数量： 526  正确数量：  429  正确率：  0.8155893536121673

图1.2

图1.3

图1.4

图1.5

综合以上情况得到平均情况如下表1.1

表1.1

其它：实验测试过程中发现取对数与否，处理值元数据中值为0的数据与否 对结果影响不大。

1.5思考与总结

朴素贝叶斯与那里比较简单，实验难度在于对numpy掌握不熟练。

朴素贝叶斯假设特征独立，但实验实际中有些数据关联比较大，如三分频和中间值。

实验结果表明对男生，女生的测试准确度有很大差别，原因可能是女声的声调（pitch) 变化范围比男性的大，准确说是女性语音的基频更高，而训练数据集不够大而不能很好的覆盖这些变化。

实验给我留下了一个问题，如何将一段人声处理成这20个特征，解决这个问题就能实现一个有实际作用的应用。

1.6代码附录

import numpy as np
#csv 文件格式
import csv
import matplotlib.pyplot as plt
import math
from scipy.stats import norm


#处理数据得到训练和测试的特征和标签 返回四个列表
def LoadFileToSet(file_name):
    with open(file_name) as f:
        rawCharacteristic = []  # 特征
        trainCharacteristic = []
        testCharacteristic = []
        trainLable = []
        testLable = []

        f_csv=csv.DictReader(f)
        lableName =list(f_csv.fieldnames)
        #print(lableName)
        #
        for line in f_csv.reader:
            rawCharacteristic.append(line)
        #   转换标签 male 0  female 1
        for i in range(len(rawCharacteristic)):
            rawCharacteristic[i][20]=0 if rawCharacteristic[i][20]=='male' else 1
        #打乱
        np.random.shuffle(rawCharacteristic)
        # for line in rawCharacteristic:
        #     print(line)
        #特征列数 20

        # 求每一个特征的平均值
        data_mat = np.array(rawCharacteristic).astype(float)
        count_vector = np.count_nonzero(data_mat, axis=0)
        sum_vector = np.sum(data_mat, axis=0)
        mean_vector = sum_vector / count_vector
        ## 数据缺失的地方 用 平均值填充   其实去掉对结果没啥影响
        for row in range(len(data_mat)):
            for col in range (0,20):
                if data_mat[row][col] == 0.0:
                    data_mat[row][col] = mean_vector[col]
        #划分训练集 测试集 特征和标签
        num1 = int(len(data_mat) / 3 * 2) #2112
        for i in range(num1):
            trainCharacteristic.append(data_mat[i][:20])
            trainLable.append(data_mat[i][20])
        for i in  range(num1,len(data_mat)):
            testCharacteristic.append(data_mat[i][:20])
            testLable.append(data_mat[i][20])
            #不能data_mat[：num][：20]  shape 20,21  ???
        trainLable=np.array(trainLable).astype(int)
        testLable=np.array(testLable).astype(int)
        return trainCharacteristic,testCharacteristic,trainLable,testLable


#num1 是2/3数量 2112
trainCharacteristic,testCharacteristic,trainLable,testLable=LoadFileToSet("./voice.csv")
#测试结果标签
TestResultlable=[]
# 训练集性别概率 先验概率
pmale = trainLable.sum(axis=0) / len(trainLable)
pfamle = 1 - pmale
# 训练集性别前提下的特征
trainMaleCharacteristic=[]
trainFemaleCharacteristic=[]
for i in range(len(trainLable)):
    if trainLable[i]==0: trainMaleCharacteristic.append(trainCharacteristic[i])
    else: trainFemaleCharacteristic.append(trainCharacteristic[i])
#MaleMeanVector=np.sum(trainMaleCharacteristic,axis=0)/len(trainMaleCharacteristic)
#训练男女各个特征的均值和标准差  var方差  2*20
MaleMeanVector=np.mean(trainMaleCharacteristic,axis=0)
MaleDeviationVector=np.sqrt(np.var(trainMaleCharacteristic,axis=0))
FemaleMeanVector=np.mean(trainFemaleCharacteristic,axis=0)
FemaleDeviationVector=np.sqrt(np.var(trainFemaleCharacteristic,axis=0))

#计算概率 过程取对数

BeMaleRrobablityVector=[]
BeFemaleRrobablityVector=[]
AccurateResualtNum =0
MaleAccurateResualtNum =0
FemaleAccurateResualtNum =0
for i in range(len(testLable)):
    BeMaleRrobablity = math.log2(pmale)
    BeFemaleRrobablity = math.log2(pfamle)
    for j in range(0,20):
        BeMaleRrobablity+=math.log2(norm.cdf(testCharacteristic[i][j],MaleMeanVector[j],MaleDeviationVector[j]))
        BeFemaleRrobablity+=math.log2(norm.cdf(testCharacteristic[i][j],FemaleMeanVector[j],FemaleDeviationVector[j]))

    # #不取对数
    # BeMaleRrobablity = (pmale)
    # BeFemaleRrobablity = (pfamle)
    # for j in range(0,20):
    #     BeMaleRrobablity*=norm.cdf(testCharacteristic[i][j],MaleMeanVector[j],MaleDeviationVector[j])
    #     BeFemaleRrobablity*=(norm.cdf(testCharacteristic[i][j],FemaleMeanVector[j],FemaleDeviationVector[j]))

    #print(BeMaleRrobablity,BeFemaleRrobablity)
    #BeMaleRrobablityVector.append(BeMaleRrobablity)
    #BeFemaleRrobablityVector.append(BeFemaleRrobablity)
    lable1=0 if BeMaleRrobablity>BeFemaleRrobablity else 1
    TestResultlable.append(lable1)

    if lable1==testLable[i]:
        AccurateResualtNum +=1
        if lable1==0: MaleAccurateResualtNum+=1
        else: FemaleAccurateResualtNum+=1



print("测试集数量: "+ str(len(testLable))+" 正确数量： "+ str(AccurateResualtNum)+ " 正确率： "+str(AccurateResualtNum/len(testLable)))
print("测试男数量：",len(testLable)-np.count_nonzero(testLable)," 正确数量： ",MaleAccurateResualtNum," 正确率： ",MaleAccurateResualtNum/(len(testLable)-np.count_nonzero(testLable)))
print("测试女数量：",np.count_nonzero(testLable)," 正确数量： ",FemaleAccurateResualtNum," 正确率： ",FemaleAccurateResualtNum/np.count_nonzero(testLable))