编辑“音樂情緒辨識”（章节）

=== 基於音樂內容的音樂辨識系統 ===
此類系統利用訊號處理以及機器學習演算法訓練模型，對音樂抽取特徵並加以分析，藉此找出音樂特徵與受測者對音樂情緒標示的關聯。
以下列出最常使用的機器學習方法：
* [[Support vector machine]](SVM)
藉由尋找最佳分界平面將資料分開，如此一來便可以利用最佳分界平面將新的測試資料歸類。
* Support Vector Regression(SVR)
SVR與SVM的概念類似。不同之處在於SVM所找的平面將空間一分為二，但SVR要找的是能準確預測資料分布的平面。 
機器學習後，通常使用[[交叉驗證]]來對準確度加以驗證。交叉驗證主要是將資料庫隨機分成數個不重疊的部分，每次提取一個部分做測試資料，剩餘的作為訓練資料。其作法是基於：
* 訓練資料與測試資料需有相同的性質
* 訓練資料與測試資料不重複

而機器學習最常使用的流程如下：
# 產生訓練模型:將訓練資料進行特徵抽取，同時將所有訓練資料交由受測者標定情緒，藉由以上兩者產生訓練模型。
# 測試資料:將測試資料進行特徵抽取，交給訓練模型進行情緒辨識，產生音樂情緒。

==== 分類法 ====
使用各種形容詞當作情緒標籤者稱之。例如:有趣的(fun)、強烈的(intense)、甜蜜的(sweet)等。此法常用SVM作為機器學習的演算法，訓練出一個或多個模型。

==== 座標法 ====
藉由定義出二維或三維的情緒座標，將情緒展開成為平面或空間。

最常被使用的情緒平面是泰爾二維情緒平面，縱軸與橫軸皆介於-1到1之間，其中縱軸為激昂度，越上方表情緒越激昂；橫軸為正向度，越右方表情緒越正向。如此一來，每一首歌都可以被標示在情緒平面中。不同於分類法，座標法中的情緒是連續，此處選擇的機器學習方法為SVR。