Порівняння ефективності класифікаторів машинного навчання у контексті голосової біометрії

Abstract

Порівняно сім популярних класифікаторів Python-біблотеки scikit-learn у контексті ефективності роботи системи голосової біометрії. Для виділення векторів ознак голосу особи, що верифікується, застосовано метод MFCCs (Mel Frequency Cepstral Coefficients). У дослідженні використано такі класифікатори: K-NN (K-Nearest neighbours classifier), MLP (Multilayer perceptron), SVM (Support vector machine), DTC (Decision tree classifier), GNB (Gaussian Naive Bayes classifier), ABC (AdaBoost classifier), RFC (Random forest classifier). Як аналізовану вибірку взято голосові зразки 40 осіб тривалістю в середньому дев’ять хвилин на особу. Критерії ефективності класифікаторів вибрано відповідно до потреб систем голосової біометрії. У межах роботи виконано моделювання шахрайства у процесі аутентифікації. Найефективнішим у голосовому розпізнаванні виявився класифікатор K-NN, який за нульової кількості неправильно допущених осіб, забезпечив на 3–85% вищу точність верифікації, ніж інші класифікатори.

Keywords

• голосова біометрія
• MFCC
• порівняння класифікаторів
• к-найближчих сусідів
• машинне навчання
• штучний інтелект