bernatespinet / predictig-music-genere-of-songs

Anàlisi de dades exhaustiu, amb el dataset :https://www.kaggle.com/purumalgi/music-genre-classification

Cas-Kaggle

Anàlisi de dades exhaustiu, amb el dataset :https://www.kaggle.com/purumalgi/music-genre-classification

Pràctica Kaggle APC UAB 2021-22

Nom: Bernat Espinet Torrescassana

DATASET: Music Genre Classification

URL: kaggle

Resum

El dataset conté informació de cançons com ara el nom de l'autor, el nom de la cançó, la instrumentalitat i el tempo d'entre d'altres. Tenim 17996 dades amb 17 atributs. Un 11% d'ells és categòric i els altres són numèrics. Les dades no estan normalitzades i hi ha un 24.3% de mostres amb NA

Objectius del dataset

Volem crear un classificador bo per determinar el gènere musical d'una cançó donades les seves característiques.

Experiments

Primer vàrem aplicar un preprocessat bàsic i vam generar els models i després, vam aplicar hyperparameter tunning pels millors models per veure si érem capaços de millorar el accuracy. Després vam tornar al preprocessament per trobar quina configuració era l'òptima per la nostra base de dades i vam tornar a crear els models.

Preprocessat

Per preparar el dataset, hem codificat el nom de l'artista, eliminat el nom de la cançó, omplert els NA amb -1 i estandarditzant les dades. Amb aquest preprocessament és amb el que hem aconseguit els millors resultats.

Model

Model	Hiperparametres	Mètrica	Temps
OneVsOneClassifier	LogisticRegression()	49.4%	1.467s
OneVsRestClassifier	LogisticRegression()	49.1%	0.816s
OutputCodeClassifier	LogisticRegression()	42.0%	0.950s
KNeighborsClassifier	n_neighbors=45	49.6%	0.177s
KNeighborsClassifier	n_neighbors=45, weights="distance"	44.9%	0.209s
DecisionTreeClassifier	criterion= 'entropy', max_depth= None, max_features= 14, min_samples_leaf= 61, splitter= 'best'	48.3%	0.625s
RandomForestClassifier	criterion= 'entropy', max_depth= 10, max_features= 'sqrt', n_estimators= 1000	53.1%	123.250s
XGBClassifier	colsample_bytree= 0.8011935532275019, gamma= 0.0967861901103601, learning_rate= 0.06881623529678811, max_depth= 3, n_estimators= 114, objective= 'o', subsample= 0.8160718933070602	69.3%	7.347s
Stacked	Model creat a partir del OneVsOneClassifier, RandomForestClassifier, KNeighborsClassifier i XGBClassifier	55.3%	31.735s

Demo

Per tal de fer una prova, primer hem d'executar el codi principal per generar el .db i després l'arxiu Demo.ipynb. Aquest arxiu ens permet classificar noves cançons que no tenen un gènere associat.

Conclusions

El millor model basant-nos amb l'accuracy és el XGBClassifier però, un cop fem la Cross Validation, ens adonem que el Stacked és millor, ja que no comet overfitting. Hi ha pocs treballs sobre aquest dataset, però tots aconsegueixen entorn el 50% de accuracy.

Idees per treballar en un futur

En un futur seria interessant classificar més mostres d'entrenament dels gèneres amb menys mostres. Això permetria crear un model més generalitzat i robust.