Classificação Automática de Gêneros Musicais Utilizando Métodos de Bagging e Boosting

Carlos N. Silla Jr.
Celso A. A. Kaestner
Alessandro L. Koerich

Pontifícia Universidade Católica do Paraná (PUC-PR)
Programa de Pós-Graduação em Informática Aplicada (PPGIA)
Rua Imaculada Conceição 1155, 80215-901 Curitiba - PR - Brasil

{silla,kaestner,alekoe}ppgiapucprbr

Abstract:

This paper presents a study that uses meta-learning techniques to the task of automatic music genre classification. The meta-learning techniques we used are Bagging and Boosting. In both cases the component classifiers used in both approaches are Decision Trees, k-NN (k nearest neighbors) and Naive Bayes. The experiments were performed on a dataset containing 1,000 songs with 10 different genres. The achieved results show that the Bagging approach is promising while the Boosting approach seems to be inadequate to the problem.

Resumo:

Este artigo apresenta um estudo utilizando técnicas de meta aprendizagem para o problema de classificação automática de gêneros musicais. As técnicas de meta-aprendizagem utilizadas foram Bagging e Boosting. Em ambos os casos usando como classificadores componentes os algoritmos de Árvores de Decisão, k-NN (k vizinhos mais próximos) e Naive Bayes. Os experimentos foram realizados utilizando uma base contendo 1.000 músicas de 10 gêneros diferentes. Os resultados obtidos com o algoritmo de Bagging foram positivos, enquanto o uso do método de Boosting apresentou resultados aquém dos esperados.