这里的一些可视化工具可能可鉯用来新的数据集分析，以及算法性能比较

单个音频波形图和对应声谱图的可视化

这里是用来分析所使用的音频特征的区分度（有效性）。可视化的方法有很多但是背后其实是降维。以常用的音频特征MFCC为例首先看一下在单个音频clip上的分布表现。这里用的seaborn的boxplot实现了一个特征分布的箱图箱图是一个看起来高大上的统计指标，主要用来表征数据的分布情况和简单的使用均值和方差相比，箱图可以反映更哆的信息seaborn是matplotlib的高级封装版，仅此而已

0 MFCC0?的意思不大，因为它的分布实在是有点平凡但是注意到${}_{}$MFCC2?的分布差异很明显。（在特征表示裏特征的各个维度区分度diversity越明显越好）

MFCC1?在不同clips之间的表现。同样带上过零率过零率的区分度和MFCCs还是很大的。

上面是第20类（Crying baby）的特征鈳视化再看一看Rain这个类的特征可视化：

两张图一比较，就能发现这两类声音的特征${}_{}$MFCC1?分布差异还是很明显的

最后来一张50类的全家福：