让我们以一种可以从机器学习的角度理解的方式来表述这个问题。您有一组实例$X$每个实例$x_i \in \mathbb{R}^m$在哪里$m$是实例的维度。换句话说$m$是描述实例的特征的数量。您的问题打算从一组功能到类别标签good或bad。因此，这是从$\mathbb{R}^m$到$y \in \{0, 1\}$.

如何实现这种映射？

这是我们将使用机器学习算法的时候。我们将训练一个模型来有效地逼近从一组输入中给出输出标签的函数。很明显，稀疏特征（低信息熵）会使映射函数复杂化，从而提供更差的结果。这就是为什么特征工程对于机器学习至关重要的原因。它可能是机器学习管道中最难的部分，但它是决定你的结果的主要因素。

您可以使用一些特征缩减技术来删除与输出标签相关的无信息特征。我经常使用的一些技术是主成分分析 (PCA)、线性判别分析 (LDA)。或者，您可以使用一些投影方法来减少数据的维数，同时保持类之间的分离。此类技术是 Isomap、MDS、光谱嵌入和 TSNE。您可以检查哪个最适合您的数据类型。

如何选择型号？

首先，您的问题是一个有监督的分类问题。这已经缩小了您可以使用的模型类型。此外，模型选择基于一些关键因素，例如：您拥有的实例数量、每个实例的特征数量和输出节点的数量。您还应该考虑到输出类之间概率分布的可分离性将直接影响模型的性能。例如，区分汽车和橘子比区分橘子和柑桔要容易得多。

在您的情况下，您有 1,000 个实例和大约 13 个功能。这意味着基于深度学习的技术是可能的，但不鼓励。您没有足够的数据。然后您可以尝试以下流行的分类模型

• 支持向量分类器
• 朴素贝叶斯
• K-最近邻
• 决策树
• 随机森林

要评估哪个模型表现最好，您将使用经过训练的模型在测试集上获得的准确度。该集合应独立于训练集以捕获过度拟合。这是模型无法泛化到新数据的时候。

在代码中

假设矩阵 $X$ 包含数据，其中行是实例，列是特征，矩阵 $Y$ 包含标签。

首先，我们将数据拆分为训练和测试集

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.33)

from sklearn.svm import SVC
clf = SVC()
clf.fit(X_train, y_train)
print('Score: ', clf.score(X_test, y_test))

from sklearn.neighbors import KNeighborsClassifier
neigh = KNeighborsClassifier(n_neighbors=3)
neigh.fit(X_train, y_train)
print('Score: ', neigh.score(X_test, y_test))

from sklearn import tree
clf = tree.DecisionTreeClassifier()
clf.fit(X_train, y_train)
print('Score: ', clf.score(X_test, y_test))

from sklearn.ensemble import RandomForestClassifier 
forest = RandomForestClassifier(n_estimators = 100)
forest.fit(X_train, y_train)
print('Score: ', forest.score(X_test, y_test))

这应该是一个起点。如果您遇到任何问题，请告诉我们，让我们知道您获得的准确性，然后我们可以更深入地研究这些模型并更好地使它们适合您的数据源。

我将提供一些建议，让创意源源不断。

首先，由于您有两个任务，您可以考虑将两个模型配置为生成对抗网络，其中

• 一种模型生成音乐段落
• 一种模型对音乐段落进行分类

然后由分类器评估生成模型的输出。然后可以使用分类器的输出来改进（训练）生成模型。

我想这些将在相同的标记数据集上进行训练。我会使用循环神经网络来训练分类器并从中调整鼻涕（可以这么说）。我会为生成模型使用生成神经网络。

也许你正在寻找更多的方向。如果是这样，很抱歉让您失望了。我想你可能一直在寻找更好的方法来寻求帮助。

祝你好运。