{ "cells": [ { "cell_type": "markdown", "metadata": { "tags": [] }, "source": [ "## Получение прогнозов по аудио\n", "\n", "\n", "\n", "
" ] }, { "cell_type": "code", "execution_count": 1, "metadata": { "nbsphinx": "hidden", "tags": [] }, "outputs": [], "source": [ "import os # Взаимодействие с файловой системой\n", "import sys # Доступ к некоторым переменным и функциям Python\n", "\n", "PATH_TO_SOURCE = os.path.abspath(os.path.dirname(globals()['_dh'][0]))\n", "PATH_TO_ROOT = os.path.join(PATH_TO_SOURCE, '..', '..', '..')\n", "\n", "sys.path.insert(0, os.path.abspath(PATH_TO_ROOT))" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Импорт необходимых инструментов" ] }, { "cell_type": "code", "execution_count": 2, "metadata": {}, "outputs": [], "source": [ "from oceanai.modules.lab.build import Run" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Сборка" ] }, { "cell_type": "code", "execution_count": 3, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 19:50:39] OCEANAI - персональные качества личности человека:**
    Авторы:
        Рюмина Елена [ryumina_ev@mail.ru]
        Рюмин Дмитрий [dl_03.03.1991@mail.ru]
        Карпов Алексей [karpov@iias.spb.su]
    Сопровождающие:
        Рюмина Елена [ryumina_ev@mail.ru]
        Рюмин Дмитрий [dl_03.03.1991@mail.ru]
    Версия: 1.0.0a40
    Лицензия: BSD License

" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "_b5 = Run(\n", " lang = 'ru', # Язык\n", " color_simple = '#333', # Цвет обычного текста (шестнадцатеричный код)\n", " color_info = '#1776D2', # Цвет текста содержащего информацию (шестнадцатеричный код)\n", " color_err = '#FF0000', # Цвет текста содержащего ошибку (шестнадцатеричный код)\n", " color_true = '#008001', # Цвет текста содержащего положительную информацию (шестнадцатеричный код)\n", " bold_text = True, # Жирное начертание текста\n", " num_to_df_display = 30, # Количество строк для отображения в таблицах\n", " text_runtime = 'Время выполнения', # Текст времени выполнения\n", " metadata = True # Отображение информации о библиотеке\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Получение и отображение версий установленных библиотек\n", "\n", "> - `_b5.df_pkgs_` - DataFrame c версиями установленных библиотек" ] }, { "cell_type": "code", "execution_count": 4, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
PackageVersion
1OpenCV4.10.0
2MediaPipe0.10.14
3NumPy1.26.4
4SciPy1.14.1
5Pandas2.2.3
6Scikit-learn1.5.2
7OpenSmile2.5.0
8Librosa0.10.2.post1
9AudioRead3.0.1
10IPython8.28.0
11Requests2.32.3
12JupyterLab4.2.5
13LIWC0.5.0
14Transformers4.45.1
15Sentencepiece0.2.0
16Torch2.4.1+cu118
17Torchaudio2.4.1+cu118
18Torchvision0.19.1+cu118
\n", "
" ], "text/plain": [ " Package Version\n", "1 OpenCV 4.10.0\n", "2 MediaPipe 0.10.14\n", "3 NumPy 1.26.4\n", "4 SciPy 1.14.1\n", "5 Pandas 2.2.3\n", "6 Scikit-learn 1.5.2\n", "7 OpenSmile 2.5.0\n", "8 Librosa 0.10.2.post1\n", "9 AudioRead 3.0.1\n", "10 IPython 8.28.0\n", "11 Requests 2.32.3\n", "12 JupyterLab 4.2.5\n", "13 LIWC 0.5.0\n", "14 Transformers 4.45.1\n", "15 Sentencepiece 0.2.0\n", "16 Torch 2.4.1+cu118\n", "17 Torchaudio 2.4.1+cu118\n", "18 Torchvision 0.19.1+cu118" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.004 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "_b5.libs_vers(runtime = True, run = True)" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам\n", "\n", "> - `_b5.audio_model_hc_` - Нейросетевая модель **nn.Module** для получения оценок по экспертным признакам" ] }, { "cell_type": "code", "execution_count": 5, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 19:50:39] Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам (аудио модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.002 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "res_load_audio_model_hc = _b5.load_audio_model_hc(\n", " show_summary = False, # Отображение сформированной нейросетевой архитектуры модели\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Загрузка весов нейросетевой модели для получения оценок по экспертным признакам\n", "\n", "> - `_b5.audio_model_hc_` - Нейросетевая модель **nn.Module** для получения оценок по экспертным признакам" ] }, { "cell_type": "code", "execution_count": 6, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 19:50:39] Загрузка весов нейросетевой модели для получения оценок по экспертным признакам (аудио модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 19:50:42] Загрузка файла \"weights_2022-05-05_11-27-55.pth\" 100.0% ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 2.861 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_save_ = './models' # Директория для сохранения файла\n", "_b5.chunk_size_ = 2000000 # Размер загрузки файла из сети за 1 шаг\n", "\n", "url = _b5.weights_for_big5_['audio']['fi']['hc']['googledisk']\n", "\n", "res_load_audio_model_weights_hc = _b5.load_audio_model_weights_hc(\n", " url = url, # Полный путь к файлу с весами нейросетевой модели\n", " force_reload = True, # Принудительная загрузка файла с весами нейросетевой модели из сети\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Формирование нейросетевой архитектуры модели для получения оценок по нейросетевым признакам\n", "\n", "> - `_b5.audio_model_nn_` - Нейросетевая модель **nn.Module** для получения оценок по нейросетевым признакам" ] }, { "cell_type": "code", "execution_count": 7, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 19:50:42] Формирование нейросетевой архитектуры для получения оценок по нейросетевым признакам (аудио модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 1.052 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "res_load_audio_model_nn = _b5.load_audio_model_nn(\n", " show_summary = False, # Отображение сформированной нейросетевой архитектуры модели\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Загрузка весов нейросетевой модели для получения оценок по нейросетевым признакам\n", "\n", "> - `_b5.audio_model_nn_` - Нейросетевая модель **nn.Module** для получения оценок по нейросетевым признакам" ] }, { "cell_type": "code", "execution_count": 8, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 19:50:43] Загрузка весов нейросетевой модели для получения оценок по нейросетевым признакам (аудио модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 19:50:50] Загрузка файла \"weights_2022-05-03_07-46-14.pth\" 100.0% ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 7.158 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_save_ = './models' # Директория для сохранения файла\n", "_b5.chunk_size_ = 2000000 # Размер загрузки файла из сети за 1 шаг\n", "\n", "url = _b5.weights_for_big5_['audio']['fi']['nn']['googledisk']\n", "\n", "res_load_audio_model_weights_nn = _b5.load_audio_model_weights_nn(\n", " url = url, # Полный путь к файлу с весами нейросетевой модели\n", " force_reload = False, # Принудительная загрузка файла с весами нейросетевой модели из сети\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств\n", "\n", "> - `_b5.audio_models_b5_` - Нейросетевые модели **nn.Module** для получения результатов оценки персональных качеств" ] }, { "cell_type": "code", "execution_count": 9, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 19:50:50] Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств (аудио модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.001 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "res_load_audio_models_b5 = _b5.load_audio_models_b5(\n", " show_summary = False, # Отображение сформированной нейросетевой архитектуры модели\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Загрузка весов нейросетевых моделей для получения результатов оценки персональных качеств\n", "\n", "> - `_b5.audio_models_b5_` - Нейросетевые модели **nn.Module** для получения результатов оценки персональных качеств" ] }, { "cell_type": "code", "execution_count": 10, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 19:50:50] Загрузка весов нейросетевых моделей для получения результатов оценки персональных качеств (аудио модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 19:50:53] Загрузка файла \"weights_2022-06-15_16-16-20.pth\" 100.0% ...** **Открытость опыту**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 19:50:55] Загрузка файла \"weights_2022-06-15_16-21-57.pth\" 100.0% ...** **Добросовестность**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 19:50:58] Загрузка файла \"weights_2022-06-15_16-26-41.pth\" 100.0% ...** **Экстраверсия**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 19:51:00] Загрузка файла \"weights_2022-06-15_16-32-51.pth\" 100.0% ...** **Доброжелательность**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 19:51:03] Загрузка файла \"weights_2022-06-15_16-37-46.pth\" 100.0% ...** **Эмоциональная стабильность**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 12.325 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_save_ = './models' # Директория для сохранения файла\n", "_b5.chunk_size_ = 2000000 # Размер загрузки файла из сети за 1 шаг\n", "\n", "url_openness = _b5.weights_for_big5_['audio']['fi']['b5']['openness']['googledisk']\n", "url_conscientiousness = _b5.weights_for_big5_['audio']['fi']['b5']['conscientiousness']['googledisk']\n", "url_extraversion = _b5.weights_for_big5_['audio']['fi']['b5']['extraversion']['googledisk']\n", "url_agreeableness = _b5.weights_for_big5_['audio']['fi']['b5']['agreeableness']['googledisk']\n", "url_non_neuroticism = _b5.weights_for_big5_['audio']['fi']['b5']['non_neuroticism']['googledisk']\n", "\n", "res_load_audio_models_weights_b5 = _b5.load_audio_models_weights_b5(\n", " url_openness = url_openness, # Открытость опыту\n", " url_conscientiousness = url_conscientiousness, # Добросовестность\n", " url_extraversion = url_extraversion, # Экстраверсия\n", " url_agreeableness = url_agreeableness, # Доброжелательность\n", " url_non_neuroticism = url_non_neuroticism, # Эмоциональная стабильность\n", " force_reload = False, # Принудительная загрузка файла с весами нейросетевой модели из сети\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Получение прогнозов (аудио модальность)\n", "\n", "> - `_b5.df_files_` - DataFrame с данными\n", "> - `_b5.df_accuracy_` - DataFrame с результатами вычисления точности" ] }, { "cell_type": "code", "execution_count": 11, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 20:28:05] Получение прогнозов и вычисление точности (аудио модальность) ...**

    2000 из 2000 (100.0%) ... test80_25\\_Q4wOgixh7E.004.mp4 ...

" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
PathOpennessConscientiousnessExtraversionAgreeablenessNon-Neuroticism
Person ID
113kjwEtSyXc.003.mp40.6035290.5562180.5265430.5796460.547635
21Lv72Si4GnY.000.mp40.5682520.4652370.4607550.5417910.511347
31uC-2TZqplE.003.mp40.5461810.6039230.4694230.5894990.545701
42Z8Xi_DTlpI.000.mp40.6910460.6238330.6288420.6146730.645805
53df_Uk9EmwU.002.mp40.6907910.5897420.6360940.6065970.634776
63gmc2kLV4Bo.003.mp40.6572850.681350.5714230.5960650.623456
73hKgh9AB3tk.003.mp40.4537520.4388420.3764570.5204050.438247
83S72dDIm1fM.005.mp40.5585870.5982980.4521680.6188570.571629
93tPq9fNOXZQ.000.mp40.5290560.5024580.4265670.4882540.443686
1043tayteIFRk.001.mp40.5372530.5081960.4388840.5797890.512096
114RKQGZzPClk.000.mp40.5127750.4473040.4229760.5591190.49141
126zm71IHOCZA.005.mp40.4471270.4510810.364460.5130570.414437
137qGYGbIg45c.001.mp40.368390.3919510.2748830.429530.307687
148YQKwMdiaAE.003.mp40.5825610.4329210.4124050.442010.462234
159Crw2RtrBcY.005.mp40.6276920.8017970.5286060.6926220.691895
169eNHxfOV2Kg.005.mp40.7087880.6539920.6405350.6320750.669044
179J-KIPMQmqk.002.mp40.583970.6440690.5046430.633510.59207
189RfE2-aTvaM.002.mp40.5508240.5395860.4680880.594860.543999
199_6auSk_wkY.002.mp40.6267130.5632350.5565350.5619170.54922
20aaylz9A9K80.000.mp40.5930270.4214770.504830.5342680.532835
21Af_F0IzHK6o.002.mp40.5459530.4796170.4658170.571330.518822
22Ah5PEPT4xbo.000.mp40.5484490.4808380.4533470.5277790.477625
23AotbiNsU85A.003.mp40.4860880.4677760.3961330.4446730.399426
24BLc_GvsbI1U.001.mp40.5582790.5378740.474120.563590.529321
25bLOSPQ8MAC8.005.mp40.4730060.5420480.3702270.5500820.467045
26bPLhV0PGR50.001.mp40.5309330.4602690.4105690.5073230.450016
27bYXRyimxh7A.001.mp40.6180520.5063870.5722150.5748390.563787
28ch2BcBv4SdQ.003.mp40.6470540.577760.5659040.5752950.606337
29cpch8WDydcM.004.mp40.5715040.5295540.4866780.5357360.529069
30De4i7-FX9Og.002.mp40.6550170.6067220.5928350.5705640.60037
\n", "
" ], "text/plain": [ " Path Openness Conscientiousness Extraversion \\\n", "Person ID \n", "1 13kjwEtSyXc.003.mp4 0.603529 0.556218 0.526543 \n", "2 1Lv72Si4GnY.000.mp4 0.568252 0.465237 0.460755 \n", "3 1uC-2TZqplE.003.mp4 0.546181 0.603923 0.469423 \n", "4 2Z8Xi_DTlpI.000.mp4 0.691046 0.623833 0.628842 \n", "5 3df_Uk9EmwU.002.mp4 0.690791 0.589742 0.636094 \n", "6 3gmc2kLV4Bo.003.mp4 0.657285 0.68135 0.571423 \n", "7 3hKgh9AB3tk.003.mp4 0.453752 0.438842 0.376457 \n", "8 3S72dDIm1fM.005.mp4 0.558587 0.598298 0.452168 \n", "9 3tPq9fNOXZQ.000.mp4 0.529056 0.502458 0.426567 \n", "10 43tayteIFRk.001.mp4 0.537253 0.508196 0.438884 \n", "11 4RKQGZzPClk.000.mp4 0.512775 0.447304 0.422976 \n", "12 6zm71IHOCZA.005.mp4 0.447127 0.451081 0.36446 \n", "13 7qGYGbIg45c.001.mp4 0.36839 0.391951 0.274883 \n", "14 8YQKwMdiaAE.003.mp4 0.582561 0.432921 0.412405 \n", "15 9Crw2RtrBcY.005.mp4 0.627692 0.801797 0.528606 \n", "16 9eNHxfOV2Kg.005.mp4 0.708788 0.653992 0.640535 \n", "17 9J-KIPMQmqk.002.mp4 0.58397 0.644069 0.504643 \n", "18 9RfE2-aTvaM.002.mp4 0.550824 0.539586 0.468088 \n", "19 9_6auSk_wkY.002.mp4 0.626713 0.563235 0.556535 \n", "20 aaylz9A9K80.000.mp4 0.593027 0.421477 0.50483 \n", "21 Af_F0IzHK6o.002.mp4 0.545953 0.479617 0.465817 \n", "22 Ah5PEPT4xbo.000.mp4 0.548449 0.480838 0.453347 \n", "23 AotbiNsU85A.003.mp4 0.486088 0.467776 0.396133 \n", "24 BLc_GvsbI1U.001.mp4 0.558279 0.537874 0.47412 \n", "25 bLOSPQ8MAC8.005.mp4 0.473006 0.542048 0.370227 \n", "26 bPLhV0PGR50.001.mp4 0.530933 0.460269 0.410569 \n", "27 bYXRyimxh7A.001.mp4 0.618052 0.506387 0.572215 \n", "28 ch2BcBv4SdQ.003.mp4 0.647054 0.57776 0.565904 \n", "29 cpch8WDydcM.004.mp4 0.571504 0.529554 0.486678 \n", "30 De4i7-FX9Og.002.mp4 0.655017 0.606722 0.592835 \n", "\n", " Agreeableness Non-Neuroticism \n", "Person ID \n", "1 0.579646 0.547635 \n", "2 0.541791 0.511347 \n", "3 0.589499 0.545701 \n", "4 0.614673 0.645805 \n", "5 0.606597 0.634776 \n", "6 0.596065 0.623456 \n", "7 0.520405 0.438247 \n", "8 0.618857 0.571629 \n", "9 0.488254 0.443686 \n", "10 0.579789 0.512096 \n", "11 0.559119 0.49141 \n", "12 0.513057 0.414437 \n", "13 0.42953 0.307687 \n", "14 0.44201 0.462234 \n", "15 0.692622 0.691895 \n", "16 0.632075 0.669044 \n", "17 0.63351 0.59207 \n", "18 0.59486 0.543999 \n", "19 0.561917 0.54922 \n", "20 0.534268 0.532835 \n", "21 0.57133 0.518822 \n", "22 0.527779 0.477625 \n", "23 0.444673 0.399426 \n", "24 0.56359 0.529321 \n", "25 0.550082 0.467045 \n", "26 0.507323 0.450016 \n", "27 0.574839 0.563787 \n", "28 0.575295 0.606337 \n", "29 0.535736 0.529069 \n", "30 0.570564 0.60037 " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 20:28:05] Точность по отдельным персональным качествам личности человека ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
OpennessConscientiousnessExtraversionAgreeablenessNon-NeuroticismMean
Metrics
MAE0.09160.09250.09320.09180.0940.0926
Accuracy0.90840.90750.90680.90820.9060.9074
\n", "
" ], "text/plain": [ " Openness Conscientiousness Extraversion Agreeableness \\\n", "Metrics \n", "MAE 0.0916 0.0925 0.0932 0.0918 \n", "Accuracy 0.9084 0.9075 0.9068 0.9082 \n", "\n", " Non-Neuroticism Mean \n", "Metrics \n", "MAE 0.094 0.0926 \n", "Accuracy 0.906 0.9074 " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 20:28:05] Средняя средних абсолютных ошибок: 0.0926, средняя точность: 0.9074 ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**Лог файлы успешно сохранены ...**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 2221.886 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_dataset_ = 'E:/Databases/FirstImpressionsV2/test' # Директория набора данных\n", "# Директории не входящие в выборку\n", "_b5.ignore_dirs_ = []\n", "# Названия ключей для DataFrame набора данных\n", "_b5.keys_dataset_ = ['Path', 'Openness', 'Conscientiousness', 'Extraversion', 'Agreeableness', 'Non-Neuroticism']\n", "_b5.ext_ = ['.mp4'] # Расширения искомых файлов\n", "_b5.path_to_logs_ = './logs' # Директория для сохранения LOG файлов\n", "\n", "# Полный путь к файлу с верными предсказаниями для подсчета точности\n", "url_accuracy = _b5.true_traits_['fi']['googledisk']\n", "\n", "res_get_audio_union_predictions = _b5.get_audio_union_predictions(\n", " depth = 1, # Глубина иерархии для получения аудио и видеоданных\n", " recursive = False, # Рекурсивный поиск данных\n", " sr = 44100, # Частота дискретизации\n", " window = 2, # Размер окна сегмента сигнала (в секундах)\n", " step = 1, # Шаг сдвига окна сегмента сигнала (в секундах)\n", " accuracy = True, # Вычисление точности\n", " url_accuracy = url_accuracy,\n", " logs = True, # При необходимости формировать LOG файл\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3 (ipykernel)", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.9.13" } }, "nbformat": 4, "nbformat_minor": 4 }