Analizando cambios de emoción en música popular

Abstract

La investigación pretende obtener un modelo de predicción de emociones para los 4 cuadrantes del modelo valenciaarousal con precisión de al menos 50 % utilizando features que han sido extraídas a partir de únicamente la música, sin tomar en cuenta las letras de la misma. Con la finalidad de lograr este objetivo se implementaron 3 algoritmos de aprendizaje de diferente índole, SVM (Support Vector Machine) un algoritmo de clasificación supervisado que utiliza como barrera de decisión un hiper-plano en n-dimensiones, SVR (Support Vector Regresion) un algoritmo de regresión basado en los mismos principios que las SVM y una Red neuronal implementada como algoritmo de clasificación no supervisado. Los tres modelos propuestos satisfacen este requerimiento: El SVM con precisión del 62.35 %, la combinación de dos SVR (uno entrenado para predecir valencia y el otro para predecir arousal) con 50.03 % y la Red neural con 61.85 %. El modelo creado utilizando SVM fue el que mostró mejor rendimiento en precisión además de ser el modelo menos afectado por la limitada cantidad de datos en el conjunto utilizado.

This papers goal is to implement an emotion prediction model for the 4 quadrants of the valence-arousal scale with, at least, 50 % accuracy utilizing features extracted only from the music, not taking into account its lyrics. To achieve this goal, 3 machine learning models were implemented: A SVM (Support Vector Machine), a clasification algorithm that utilizes a n-dimentional hyperplane as its decision barrier; a SVR (Support Vector Regression), a regression algorithm based on the same principles as the SVM; and a Neural Network an unsupervised learning algorithm implemented as a clasifier. All 3 models satisfied this condition, the SVM model had an accuracy of 61.85 %, a combination of 2 SVRs (the first trained for valence and the second for arousal) had an accuracy of 50.03 % and the neural network had an accuracy of 61.85 %. The SVM model yielded the best results in accuracy and also was the least affected by the limited amount of data available.