Genreklassificering med SVM - Hurpositionen och längden av ljudklipp påverkar klassificeringsprecisionen

Real world scenarios where machine learning based music genre classification could be applied includes; streaming services, music distribution platforms and automatic tagging of music libraries. Music genre classification is inherently a subjective task; there are no exact boundaries that separate different genres. Machine learning based audio classification attempts to classify audio by comparing feature vectors. Which features to extract from which parts of the audio greatly impact the classification accuracy. This paper investigates whether different audio snippet locations and durations impact the classification accuracy. A number of experiments were run across six genres, four kinds of snippet locations and eight durations. The results show that these parameters do in fact have a significant impact on the accuracy.Genre-klassificering baserad på maskininlärning har en mängd användningsområden, exempelvis rekommendationer i streaming- och distributionsplattformar och automatisk taggning av musikbibliotek. På grund av att det inte existerar några exakta objektiva definitioner av specifika genrer är denna typ av automatiskklassificering en subjektiv uppgift. Klassificering med hjälp av maskininlärning försöker att klassificera låtar genom att jämföra så kallade feature vectors. De features som används har en stor påverkan på precisionen av klassificeringen. Denna rapport undersöker om det finns något samband mellan startpositionen och längden av utvalda ljudklipp på precisionen. Flera experiment genomfördes på sex olika musikgenrer, fyra olika startpositioner och åtta längder för ljudklipp. Resultaten visar att startpositionen och längden har en signifikant påverkan på klassificeringsprecisionen