openXBOW的使用（2）

def split_csv(train_num):
    data=pd.read_csv(r"F:\openXBOW\openXBOW-master\Sentiment Analysis Dataset.csv",error_bad_lines=False) # error_bad_lines忽略报错行  ,delimiter="\t"
    train_data=data.iloc[0:train_num] # iloc：索引从0开始
    train_file_path=r"F:\openXBOW\openXBOW-master\Sentiment analysis Dataset - train.csv"
    train_data.to_csv(train_file_path,index=False) # index 设置为false表示不写行序号
    test_data=data.iloc[train_num+1:]
    test_file_path=r"F:\openXBOW\openXBOW-master\Sentiment Analysis Dataset - test.csv" 
    test_data.to_csv(test_file_path,index=False)

将切分出来的训练集生成codebook，然后用于分析测试集 ：

java -Xmx12000m -jar openXBOW.jar -i "Sentiment Analysis Dataset - train.csv" -attributes ncr0 -o bowTwitter-train.arff -minTermFreq 2000 -B dictionaryTwitter
 
java -Xmx12000m -jar openXBOW.jar -i "Sentiment Analysis Dataset - test.csv" -attributes ncr0 -o bowTwitter-test.arff -b dictionaryTwitter
    
解析：“-Xmx12000m”增加堆空间。-minTermFreq 设置最小词频

使用2-gram：

java -Xmx12000m -jar openXBOW.jar -i "Sentiment Analysis Dataset - train.csv" -attributes ncr0 -o bowTwitter-train.arff -nGram 2 -minTermFreq 2000 -B dictionaryTwitter
 
解析：-nGrams 指定n grams
 
java -Xmx12000m -jar openXBOW.jar -i "Sentiment Analysis Dataset - test.csv" -attributes ncr0 -o bowTwitter-test.arff -nGram 2 -b dictionaryTwitter

1. 使用opensmilec抽取LLDs(ComParE)，opensmile不支持EmoDB中的32位 wav文件，需要使用sox将文件转为16位的
2. 要求说话人独立的训练和测试，为实现可信的对未知说话人的估计：使用id为03,08,09,10作为测试集剩余的6个说话人作为训练集。需要一个每个示例都带有标签的测试文件。
3. 情感缩写对应：A=fear,E=disgust,F=happiness,L=boredom,N=neutral,T=sadness,W=anger

IOTRAIN="-i examples/example5/audio_llds_train.csv -o examples/example5/xbow_train.arff -l examples/example5/labels_train.csv -B examples/example5/codebook" 
 
IOTEST="-i examples/example5/audio_llds_test.csv -o examples/example5/xbow_test.arff -l examples/example5/labels_test.csv -b examples/example5/codebook"
 
# java -jar openXBOW.jar $IOTRAIN
# 优化 :增加参数：-standardizeInput 从34%提升到73%
java -jar openXBOW.jar $IOTRAIN -standardizeInput
 
# 增加codebook大小：精度：0.792
java -jar openXBOW.jar $IOTRAIN -standardizeInput -log -size 1000
 
# 精度降低了?变成了0.354 
java -jar openXBOW.jar $IOTRAIN -standardizeInput -log -size 1000 -a 5 -attributes nt1[65]2[65]
 
# 使用 weka判断精度：
java -classpath "E:\Weka-3-8-5\weka.jar" weka.classifiers.functions.SMO -t examples/example5/xbow_train.arff
    # 解析：选择分类器SMO并进行10倍交叉验证（CV）进行评估
 
# 测试集：
java -jar openXBOW.jar $IOTEST
 
# 计算测试集的精度：0.742
java -classpath "E:\Weka-3-8-5\weka.jar" weka.classifiers.functions.SMO -t examples/example5/xbow_test.arff

1. 测试时不学习codebook