- Q1: 以“GTZAN”為Dataset, 作基本template 上的預測
Q1結果：
GTZAN
***** Q1 *****
----------
Genre accuracy
pop 41%
metal 25%
disco 32%
blues 7%
reggae 33%
classical -
rock 35%
hiphop 14%
country 32%
jazz 16%
----------
Overall accuracy: 27%
高分者： pop和rock類的表現較佳，可能是因為在這兩個音樂類型上，較常使用一般的七聲音階及大小調的樂理技巧在作曲。
低分者： blues和hiphop在作曲的編成上就不太一樣，而是使用特定的Hexatonic 及 Heptatonic
- Q1-2: 以“GiantSteps”為Dataset, 作基本template 上的預測
Q1-2結果：
GiantSteps
***** Q1-2 *****
----------
Overall accuracy: 22%
如上結果
- Q2: 以“GTZAN”為Dataset, 加入gamma的變動參數作nonlinear transform上的預測
Q2結果：
GTZAN
***** Q2 *****
----------
'gamma = 1'
Genre accuracy
pop 40%
metal 22%
disco 33%
blues 7%
reggae 32%
classical -
rock 34%
hiphop 14%
country 34%
jazz 16%
Overall accuracy: 26%
----------
'gamma = 10'
Genre accuracy
pop 39%
metal 19%
disco 29%
blues 4%
reggae 29%
classical -
rock 31%
hiphop 15%
country 31%
jazz 11%
Overall accuracy: 24%
----------
'gamma = 100'
Genre accuracy
pop 34%
metal 19%
disco 29%
blues 4%
reggae 25%
classical -
rock 28%
hiphop 10%
country 31%
jazz 14%
Overall accuracy: 22%
----------
'gamma = 1000'
Genre accuracy
pop 33%
metal 19%
disco 28%
blues 5%
reggae 26%
classical -
rock 29%
hiphop 9%
country 31%
jazz 14%
Overall accuracy: 22%
----------
gamma的參數添加，做了非線性的校正。 這邊看來是gamma = 1時，準確率較佳。 然而，參數的大小除了必須藉由實驗的不斷調整外，還需要根據樂曲型態而定，如：表現較差的blues在參數提高的情況有些微幅度回升。
- Q3: 以“GTZAN”為Dataset, 利用mir_eval.key更改原先accuracy的計算
Q3結果：
GTZAN
***** Q3 *****
Genre accuracy
pop 57%
metal 35%
disco 49%
blues 20%
reggae 48%
classical -
rock 49%
hiphop 20%
country 55%
jazz 32%
----------
Overall accuracy: 41%
這邊結果相較原先基本的template方法有明顯提升。 而提升的原因其實也很直覺，因為透過關係大小調、同名大小調的「權重」上考量，避免了錯者全錯的計算，將得以有效提升準確率。
- Q4: 以“GTZAN”為Dataset, 將基本template變成Krumhansl-Schmuckler’s method作預測
Q4結果：
GTZAN
***** Q4 *****
Genre accuracy
pop 43%
metal 27%
disco 30%
blues 17%
reggae 36%
classical -
rock 35%
hiphop 15%
country 29%
jazz 16%
----------
Overall accuracy: 28%
KS template比較能呈現大小調音符的分佈關係，然而同Q1是透過correct的計算方式運算，可能會減少了許多可能正確的答案，因此準確率並未顯著提升。
- Q4-2: 以“GiantSteps”為Dataset, 將基本template變成Krumhansl-Schmuckler’s method作預測
Q4-2結果：
GiantSteps
***** Q4-2 *****
----------
Overall accuracy: 28%
如上結果
- Q4_2: 以“GTZAN”為Dataset, 加入gamma的變動參數作nonlinear transform上的預測
Q4_2結果：
GTZAN
***** Q4_2 *****
----------
'gamma = 1'
Genre accuracy
pop 43%
metal 26%
disco 32%
blues 17%
reggae 35%
classical -
rock 34%
hiphop 12%
country 31%
jazz 15%
Overall accuracy: 28%
----------
'gamma = 10'
Genre accuracy
pop 40%
metal 25%
disco 27%
blues 17%
reggae 31%
classical -
rock 33%
hiphop 15%
country 28%
jazz 14%
Overall accuracy: 26%
----------
'gamma = 100'
Genre accuracy
pop 37%
metal 25%
disco 27%
blues 20%
reggae 28%
classical -
rock 32%
hiphop 12%
country 28%
jazz 15%
Overall accuracy: 25%
----------
'gamma = 1000'
Genre accuracy
pop 37%
metal 25%
disco 26%
blues 21%
reggae 30%
classical -
rock 32%
hiphop 11%
country 29%
jazz 15%
Overall accuracy: 26%
----------
這邊的gamma隨著1, 10, 100, 1000的參數設定有一些變動起伏，更印證實驗的參數拿捏的重要性，也是gamma作為非線性校正上的重要意涵。
- Q4_3: 以“GTZAN”為Dataset, 利用mir_eval.key更改原先accuracy的計算
Q4_3結果：
GTZAN
***** Q4_3 *****
Genre accuracy
pop 57%
metal 39%
disco 46%
blues 30%
reggae 51%
classical -
rock 48%
hiphop 22%
country 52%
jazz 33%
----------
Overall accuracy: 43%
透過mir_eval並配合ks template是目前運算結果後的最佳解，同時也證明好的運算也必需要配合好的評估標準，才能使結果達到最好的預期。
- Q5: 以“BPS-FH”為Dataset, 實作local key detection的預測