18、机器学习在多个领域的应用探索

机器学习在多个领域的应用探索

1. k - NN 分类器的误差调整机制

在很多分类任务中，存在两种不同类型的错误：假阳性和假阴性。为了让用户能够根据实际需求调整分类器的行为，改变这两种错误出现的频率，k - NN 分类器提供了一种有效的解决方案。

以 7 - NN 分类器为例，若要减少假阳性的数量，可指示分类器仅在至少 5 个最近邻为阳性时，才将示例标记为阳性；不满足此条件的示例则标记为阴性。反之，若想降低假阴性的频率，可让分类器在至少 3 个最近邻为阳性时，就返回阳性标签。用户对错误类型的偏好通过决定示例标记为阳性所需的投票数来体现。

这种机制的本质在于操纵支持两个类别的投票数之间的差距，从而实现对不同类型错误频率的控制。

2. 睡眠阶段分类

2.1 睡眠阶段识别的重要性

人在夜间会经历不同的睡眠阶段，如深度睡眠、浅睡眠和快速眼动睡眠（REM）等。准确识别这些睡眠阶段对医学实践至关重要。例如，婴儿猝死综合征（SIDS）几乎总是发生在 REM 阶段，因此识别 REM 阶段的开始，有助于医护人员在高风险时段加强对新生儿的监护。此外，睡眠阶段的分布情况可用于诊断特定的神经紊乱，如癫痫，而睡眠图（hypnogram）就是一种有用的诊断工具。

2.2 引入机器学习的原因

手动绘制睡眠图是一项缓慢且繁琐的工作，需要专业专家花费 3 - 5 小时，而且专家并非随时可用。因此，人们尝试开发计算机程序，根据观测数据识别各个睡眠阶段并绘制睡眠图。

然而，获取各个睡眠阶段的准确描述并非易事。医学专家依靠长期训练获得的技能和主观特征进行判断，这些难以转化为计算机程序。于是