본 연구는 복잡한 구성과 다양한 악기 편성을 특징으로 하는 프로그레시브 록 음악의 분류를 조사합니다. Librosa 라이브러리를 사용하여 스펙트로그램, MFCC, 크로마그램, 비트 위치 등의 포괄적인 오디오 특징을 추출하고, snippet-level 예측을 최종 곡 분류로 집계하기 위해 winner-take-all 투표 전략을 사용했습니다. Bagging(Random Forest, ExtraTrees, Bagging Classifier), Boosting(XGBoost, Gradient Boosting)을 포함한 다양한 머신러닝 기법(PCA를 이용한 차원 축소 포함)과 1D CNN(Zuck, Satya), 미세 조정된 AST 모델을 비교 분석했습니다. Extra Trees와 같은 앙상블 방법은 최대 76.38%의 테스트 정확도를 달성했습니다. 다양한 머신러닝 패러다임의 적용 및 상대적 성능에 대한 통찰력을 제공합니다.
