30、利用机器学习算法识别睡眠阶段

利用机器学习算法识别睡眠阶段

1. 相关概念定义

在进行睡眠阶段的自动识别时，需要用到一些关键概念来评估机器学习算法的性能。
- 真正例（True Positives，tp） ：属于正类（PC）且被正确分配到正类的项目数量。
- 真反例（True Negatives，tn） ：属于负类（NC）且被正确分配到负类的项目数量。
- 假正例（False Positives，fp） ：属于负类（NC）但被错误分配到正类的项目数量。
- 假反例（False Negatives，fn） ：属于正类（PC）但被错误分配到负类的项目数量。

基于这些定义，F - 分数的计算公式如下：
[F\ score = \frac{tp}{tp + 0.5 \cdot (fp + fn)}]

对于包含多个类别的数据集，第 (i) 类的 F - 分数 (F_i) 的计算方法是将该类视为正类，其余所有类视为负类。然后，整个数据集的 F - 分数是所有 (F_i) 值的加权平均值，其中第 (i) 类的权重等于该类项目在数据集中所占的百分比。F - 分数的取值范围是 ([0.0 - 1.0])，值越高表示分类质量越好。

2. 数值结果

通过在测试集上运行多种机器学习算法，得到了如下的数值结果：
| 算法 | 成功运行次数 | 平均值 | 标准差 | 最大值 | 最小值 |
| — | — | — | — | — | — |
| BN | 1/1