问音乐创作中ML算法的选择

EN

我是个作曲家兼程序员。我想用ML作曲。关于机器作曲的一般问题，我们已经有了研究。我更感兴趣的是用电脑作曲的具体问题.加速某些重复的任务，或者用意想不到的想法来取悦我。

首先，我想设计一个ML，它可以在一段短文上进行好的/坏的分类。(一开始不想创作音乐。)

将这样的通道分解成重要的特性是相当容易的。我可以这样说

• 也许有特定的“间隔”(和声)存在，而其他的则没有。
• 也许音符从低到高均匀分布，也可能不是。
• 也许音符聚集在一个特定的寄存器上，而不是分散开来。
• 也许节奏特别不均匀
• 也许某个特定的音符经常发生

我可以很容易地编写算法，为任何给定的段落生成这样的特性列表，我甚至可以非常肯定的是，我包含了所有相关的特性。对于一种“艺术形式”，音乐是令人惊讶的易于分析。

诀窍是，首先，会有数以百计的观察，其次，这些观测中没有一个本身是好的或坏的。假设我们有三个因素A，B和C，A并不仅仅是坏的，但是也许当A和B同时发生时，这是不好的。但是也许如果A，B，和C一起发生的话，它又变好了！然后，第四个因素D，改变了上下文，使得A，B和C不再重要。

这似乎是一个ML问题，但我想知道最好的方法是什么？

我可以构造或创作数百个标记为“好”和“坏”的音乐示例，并在每个示例中识别出数百个“特征”。有些特性是“现在/不存在”类别，而另一些则是可以从0缩放到1的数字。

有没有一种通用而简单的学习算法，即使是像我这样的ML新手(但我是一个有经验的程序员)也可以实现呢？

我必须产生我自己的训练例子，将限制在大约300到1000，因为我是在我的风格的简单段落训练它。这可能是个好问题。与一般的音乐智力相比，我的工作并不那么复杂。

我将把这一任务与图像识别进行对比。一幅图像有数以百万计的像素，特征被分散开来，在无尽的排列中发生。想弄清楚深层神经网络是怎么回事会让我头疼。

然而，在音乐方面，最多只有几百个特色。这种模式不会在无休止的排列中发生。事实上，在简约的情况下，我的猜测是，你可以通过观察10个特征(假设你有训练好的权重和组合)来制造一个80%的精确分类器。我的目标是更高一点(我需要更多的功能和更准确的)。

让你对我的数据集有一些了解:我正处于编写软件的早期阶段，以提取这些特性，但我对我的目标有一个很好的想法(多年来一直是手工作曲)。为了使这更具体，我创建了一个网页，显示数据将是什么样子。这很简单，完全是编造出来的。

http://theunexpectedpearl.com/dataset.html

这里显示了四行。每一行都是我将自动创作或生成的一段音乐的示例。根据我自己的耳朵，每一行都被划分为“好”或“坏”。行的其余部分是一个很长的特性列表，每个特性要么是“是/否”，要么是从0.0到1.0的单个数字。

我不认为朴素的Bayes分类器会对此起作用(如果我正确理解的话)，因为特性本身既不是好的，也不是不好的。重要的是它们(上下文)的组合。事实上，在一个环境中，同样的特性可以帮助实现“善”，并且在另一个上下文中是“坏”的直接有力表示。

数据可能有不同的结构。在实践中，这个电子表格将是“稀疏的”，也许功能应该以某种方式分组，或者安排在一棵树中。