数字行为与心理健康：基于机器学习的专注力分类研究

本项目是面向初学者的机器学习项目，通过分析屏幕使用时间、通知频率和应用切换等数字行为数据，使用逻辑回归算法对心理健康专注力水平进行分类预测，旨在帮助用户理解数字习惯对专注力的影响，为个性化健康管理提供数据支持。

在数字化时代，智能设备深度融入日常生活，但过度使用可能导致注意力分散、焦虑等问题。本项目旨在通过机器学习技术建立数字行为模式与专注力水平的关联模型，回答哪些数字行为影响专注力及程度，为用户提供数据驱动的洞察。

数据收集与特征工程

关注三类指标：屏幕使用时间（各应用时长）、通知频率（各类通知数量）、应用切换频率（应用间切换次数）。

模型选择

选用逻辑回归算法，因其可解释性强、计算效率高、对初学者友好且小数据集表现稳定。

数据处理流程

使用Python库（Pandas、NumPy、Matplotlib、Scikit-learn）进行数据加载、清洗、归一化及模型训练评估。

• 面向初学者：详细文档降低入门门槛，新手可按指引运行应用。
• 完整流程：涵盖数据收集、探索、特征工程、模型训练、评估及结果解释全生命周期。
• 开源协作：MIT许可证开源，欢迎社区反馈与改进。

• 个人数字健康管理：监测数字行为变化，调整习惯（如通知设置）。
• 数字排毒评估：量化行为改变对专注力的影响。
• 学术支持：为数字健康、行为心理学研究提供参考框架。

局限性

• 数据隐私：需平衡分析需求与隐私保护。
• 因果关系：模型揭示统计关联而非因果。
• 个体差异：统一模型难捕捉所有用户敏感度。

改进方向

• 引入睡眠、运动等更多特征。
• 尝试随机森林等复杂模型提升精度。
• 开发个性化模型及干预建议功能。

为初学者提供：

• 分类问题实践：掌握监督学习分类流程。
• 特征工程经验：提取有效特征。
• 模型评估方法：理解准确率等指标。
• 数据可视化：使用Matplotlib创建图表。
• Python生态：熟悉Pandas、Scikit-learn等工具。

本项目虽规模不大，但触及数字时代心理健康议题，展示技术如何帮助理解自我、改善生活。在注意力经济主导的今天，管理数字行为是重要技能，此类工具提供客观视角，助力平衡数字便利与身心健康。