训练我的分类器时遇到问题。
我有10种不同类型的音乐流派，每种类型都有100首歌曲，制作了Mfccs之后，我有一个（1293,20）
的numpy数组如果与np.vstack一起，我有一个（1293000,20）的数组，另一个是标签。
当我运行model.fit (features, labels)时，需要花费很多时间。
我也尝试过：
from sklearn.manifold import TSNE
X_embedded = TSNE (n_components = 2).fit_transform(features)
X_embedded.shape
我试图将歌曲从1000减少到100，但它仍然需要很长时间。
我知道如何用包含大量数据的数组对歌曲进行分类吗？
我放了一些代码：
scaler = sklearn.preprocessing.StandardScaler()
y, sr = librosa.load('EXAMPLE1')
mfcc = librosa.feature.mfcc(y, sr=sr, n_mfcc=20).T
mfcc_scaled = scaler.fit_transform(mfcc)
mfcc_scaled.shape # (1293, 20)
y, sr = librosa.load('/Users/josetorronteras/AnacondaProjects/Neural-Networks/genres/pop/pop.00044.au')
mfcc2 = librosa.feature.mfcc(y, sr=sr, n_mfcc=20).T
mfcc_scaled2 = scaler.fit_transform(mfcc2)
mfcc_scaled2.shape # (1293, 20)
tmp_arr = []
tmp_arr.append(mfcc_scaled)
tmp_arr.append(mfcc_scaled2)
mafcc_list = np.vstack(tmp_arr)
mafcc_list.shape # (2586, 20)
a0 = np.zeros(len(mfcc_scaled))
a1 = np.ones(len(mfcc_scaled2))
labels = np.concatenate((a0, a1))
labels.shape # (2586,)
由于