[发明专利]基于提升决策树的钢琴乐谱难度识别方法

权利要求书

1.一种基于提升决策树的钢琴乐谱难度识别方法，其特征是，建立基于网格搜索的多分类提升决策树的学习算法xgboost模型，利用测试集对建立的所述模型进行准确率检测、优化，利用完成优化的所述模型对钢琴乐谱难度进行分类；其中，以决策树为基函数，XGBoost模型由多个决策树组成，后面的决策树将拟合前面的残差，最终得到的预测值是所有决策树测试结果的和。

2.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，具体步骤如下：

1)收集具有难度标签的实验数据源，针对难度等级要求有目的地采集难度相关特征，构成表征难度的特征向量，最后形成难度相关特征空间；

2)对提取到的特征数据进行归一化预处理、数据清洗，解决数据不平衡问题，并评估难度相关特征的有效性；

3)构建xgboost模型：将提取的难度相关特征作为输入，利用数据集中已知的数字乐谱MIDI文件的难度标签，训练xgboost模型并进行保存；

4)测试调优：利用已保存的模型，在测试集上进行测试。通过结果对比分析，对xgboost参数进行调节，优化之前的模型。

3.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，对特征空间进行归一化处理，用Min-Max归一化方法，公式如下：

将特征向量的值归一化到[0,1]区间，其中min和max分别表示特征x_i的最小和最大值，表示特征x_i经过归一化处理后的特征。

4.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，XGBoost模型表示为：

式中y_r为模型中的第r个样本预测值，f_k为第k个决策树基函数，K为决策树基函数的总数量，x_r为第r个输入样本，F为假设空间；

对于每一棵决策树，目标函数L^(t)表示为：

式中l(·)为损失函数，Y_r为真值，M为样本总数量，为第t-1轮迭代的预测值，f_t第t轮迭代的预测值，Ω(·)为正则项，T为决策树叶节点的个数，ω为叶节点的输出值，γ和λ为对应的系数。

5.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，控制模型复杂度的L2正则项参数lambda＝4，控制是否后剪枝的参数gamma＝0.1，构建决策树的深度参数max depth＝6，控制随机采样训练样本的百分比subsample＝0.7，生成决策树时的列采样参数colsample bytree＝0.7,同时xgboost支持多线程运行，根据计算机配置选择最大线程数；

同时，通过测试误差，进一步调节XGBoost的模型参数，进行模型优化。