Feature selection in music data with meta-heuristic methods

Abstract

Günümüzde multimedya içerik üretimi büyük bir hızla artmış, bu da değerli bilgilere erişimi zorlaştırmıştır. Anlamlı verilere ulaşımı kolaylaştırmak amacıyla veri madenciliği kritik bir hale gelmiştir ve bu süreçte önemli bir adım, veri boyutunun azaltılmasıdır. Özellik seçimi, veri kümesindeki ilgisiz, gürültülü veya eksik verilerin çıkarılmasıyla veri boyutunu küçülterek, veri analizinde kullanılan yöntemlerin daha hızlı ve verimli çalışmasını sağlar. Bu çalışmada, doğadan ilham alınan meta-sezgisel algoritmalar kullanılarak özellik seçimi gerçekleştirilmiştir. Belirlenen özellikler, makine öğrenimi algoritmaları ve yapay sinir ağları ile müzik verilerini şarkı popülerliğine göre sınıflandırmak için kullanılmıştır. Müzik veri seti üzerinde yapılan iyileştirmeler ile sınıflandırma başarımı %3.2 oranında artırılmış ve sonuç olarak %88 doğruluk elde edilmiştir. Kullanılan yöntemler karşılaştırmalı olarak sunulmuş ve elde edilen bulgular değerlendirilmiştir.

In today’s world, the rapid increase in multimedia content production has made accessing valuable information more challenging. Data mining has become critical to facilitate access to meaningful data, and an important step in this process is reducing the size of the data. Feature selection reduces the data size by eliminating irrelevant, noisy, or missing data from the dataset, allowing the methods used in data analysis to operate faster and more efficiently. In this study, feature selection was performed using nature-inspired metaheuristic algorithms. The selected features were used to classify music data by song popularity with machine learning algorithms and artificial neural networks. Improvements made on the dataset increased classification performance by 3.2%, achieving an accuracy of 88%. The methods used were presented comparatively, and the findings were evaluated.