How to extract only a subset of features?
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 28/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Da chiarire
- Stato di attività
- Ferma
- Stack tecnologico
- python
- Ambito
- machine-learning
Direzione di ricerca
Inizia tracciando il modo in cui il codice sorgente seleziona e calcola il set di feature ComParE-2016, quindi esamina come vengono specificati i file di configurazione. Determina in quale punto un sottoinsieme custom_feature_ls potrebbe entrare in questo flusso; il lavoro è completato quando il sottoinsieme richiesto viene accettato e vengono calcolate solo quelle feature.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Hello,
My problem is I want to start with, say, the ComParE-2016 features, but instead of actually computing all 6373 of them at once, pass in a list of strings custom_feature_ls which are a subset of the full feature list, and only actually perform the computation of these specific features. I haven't seen any direct support for this in the source code, nor can I quite figure out how to specify a config file to do this. Thanks!
- Lingua principale
- BitBake
- Stelle
- 334
- Fork
- 42
- Merge medio
- 57m
- PR unite (30g)
- 2
Guida per i contributori
Apri la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di audeering/opensmile-python
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
audeering/opensmile-python#133 ·
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 45/100
audeering/opensmile-python#131 ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 25/100
audeering/opensmile-python#123 ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
audeering/opensmile-python#122 ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 25/100
audeering/opensmile-python#110 ·
Tutte le issue di audeering/opensmile-python
Issue simili
-
bug good first issue multicut serialization
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
-
bug
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
-
feat(dictionary): add benign in-frame MUC1 events so benchmarks can score benign-event specificity Apertaenhancement
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
berntpopp/MucOneSpan#69 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 75/100
stanfordnlp/dspy#10485 ·
-
Mnist Web Inference error Aperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 90/100