机器学习（七）——用逻辑回归实现音乐分类案例，傅立叶变换相关

理解维度：

我们把X中的x可以叫做是一个特征，也可以叫做影响结果的因素，也可以叫做一个维度，每增加一个特征就是增加了一个维度

音乐分类案例

有十种类别的音乐，每种类别下有一百首歌，所以我们一共有1000个特征

怎么把这些音乐转换为特征呢？

方法一：我们把音乐根据强度转换成频谱图，如下图

如果我们每个音乐都转成频谱图，这样我们就把问题变成里更复杂的图像识别，所以我们不用这种方法

我们用傅里叶变换

傅里叶变换

傅立叶变换就是把上图中左边的时间轴的sine wave（波浪线）变成右边频率轴的一条竖线，大小就是波峰到波谷的高度
把一首歌变成频率的表达，下图更好理解

代码实现傅立叶变换，顺便准备音乐分类的数据：

# 准备音乐数据
def create_fft(g, n):
    # zfill() z代表zero，也就是用0填充
    rad = "/home/kiosk/Downloads/MLearning/音乐/" + g + "." + str(n).zfill(5) + ".au.wav"
    # wavfile读取wav类型的音乐文件
    # sample_rate是采样率，采样率越高，说明你采样的点越多，说明你的信息损失的越少，采样率和我们这次案例没有关系
    # X就是音乐文件
    sample_rate, X = wavfile.read(rad)
    # 傅立叶变换
    # fft（）是快速傅里叶变换，变换之后取前1000hz个像素点，然后取绝对值，最终生成1000个特征
    fft_features = abs(fft(X)[