18、机器学习在不同领域的应用与挑战

机器学习在不同领域的应用与挑战

1. k - NN分类器误差调整

在很多分类任务中，存在不同类型的误差权衡问题，如假阳性和假阴性。为了让用户能够根据需求调整分类器的行为，改变不同类型误差的发生频率，在使用k - NN分类器时，可以通过操纵支持两个类别的投票数之间的差距来实现。

以7 - NN分类器为例：
- 减少假阳性 ：可以指示分类器仅当至少5个最近邻为正例时，才将该示例标记为正例，不满足此条件的示例则标记为负例。
- 减少假阴性 ：可以告诉分类器，当至少3个最近邻为正例时，就返回正例标签。

用户对误差类型的偏好通过确定示例被标记为正例所需的投票数来体现。

2. 睡眠阶段分类

2.1 睡眠阶段识别的重要性

睡眠过程中，人会经历不同的睡眠阶段，如深度睡眠、浅睡眠和快速眼动（REM）睡眠等。准确识别这些阶段在医学实践中非常重要。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阶段的开始可以提醒护士在高风险时段加强对新生儿的关注。此外，睡眠阶段的分布情况可以作为诊断特定神经紊乱（如癫痫）的有用工具。

2.2 引入机器学习的原因

手动绘制睡眠阶段图（催眠图）是一项缓慢且繁琐的工作，需要高度专业的专家花费3 - 5个小时，而且专家并非随时可用。因此，人们尝试开发计算机程序来根据观测数据识别各个睡眠阶段并绘制催眠图。

2.3 数据处理与分类器构建

• 属性和类别处理 ：首