Το παρακάτω συνδικάτο από Μεσαίο Για Το Πατρικό Φόρουμ, μια κοινότητα γονέων και επηρεαστών με γνώσεις σχετικά με την εργασία, την οικογένεια και τη ζωή. Εάν θέλετε να εγγραφείτε στο φόρουμ, στείλτε μας μια γραμμή στο [email protected].
Πριν ένα μήνα προσπάθησα Δοκιμή A/B για να δούμε πώς οι διαφορετικές «θεραπείες» ή οι παράμετροι εισαγωγής μπορεί να οδηγήσουν σε μεγαλύτερο ύπνο για τα δίδυμα μας — και φυσικά με πληρεξούσιο, εμάς. Μέσα από αυτό, διαπίστωσα ότι τα πρότυπα ύπνου ήταν αρκετά ασταθή και δεν βρήκα πολλά που να συσχετίζονται έντονα με τον αυξημένο ύπνο. Όσο περνούσε ο καιρός, ξεκίνησαν περισσότερο από μόνοι τους φυσικά. Ωστόσο, τώρα που έχουν φτάσει τους 4 μήνες, έχουν ξεκινήσει τη φαινομενικά κοινή αλλά σπάνια συζητούμενη φάση παλινδρόμησης ύπνου. Για άλλη μια φορά βρήκα τον εαυτό μου απελπισμένο για περισσότερο ύπνο. Ήμουν, όπως σχολίασε κάποιος στην προηγούμενη ανάρτηση, «έψαχνα να βρω οτιδήποτε όσο κι αν απελπιζόμουν για περισσότερο ύπνο;» Ναί. Ναι ήμουν. Ως εκ τούτου, στράφηκα σε μια άλλη τεχνική επιστήμης υπολογιστών, τη μηχανική μάθηση.
flickr / Matthew H.
Η μηχανική μάθηση είναι ένα πεδίο στην επιστήμη των υπολογιστών που παρέχει μεθόδους για τη «διδασκαλία» υπολογιστών ή προγραμμάτων χωρίς να τους δίνει διακριτές οδηγίες. Στον κανονικό προγραμματισμό, θα έδινα στον υπολογιστή μια σειρά εντολών για εκτέλεση, ρίχνοντας τη λογική στο Κάντε αποφάσεις για το τι θα κάνετε με βάση τα δεδομένα, αλλά το πρόγραμμα δεν θα μπορούσε ποτέ να ξεφύγει από αυτά τα καλά καθορισμένα ράγες. Αν και αυτή η περιγραφή ακούγεται πιο κοντά στο Τελειωτής από ό, τι φαίνεται στην πράξη, η μηχανική μάθηση επιτρέπει σε κάποιον να λάβει ένα σύνολο δεδομένων «μάθησης» και να τα χρησιμοποιήσει για τη βάση της πραγματοποίησης προβλέψεων. Αν και γίνεται ολοένα και πιο δημοφιλής στον κλάδο της τεχνολογίας, έχει χρησιμοποιηθεί κυρίως για την αναζήτηση αγορών συμπεριφορά και συστάσεις, τεχνητή νοημοσύνη, και ίσως το πιο ενδιαφέρον, η κατηγοριοποίηση και η αναγνώριση εικόνων και τέχνης — σε μεγάλο βαθμό από Google. Δεν μπόρεσα να βρω πολλές περιπτώσεις εφαρμογής του στην ανατροφή των παιδιών.
Χάρη στο λογιστικό υπόβαθρο της συζύγου μου και στις προσωπικότητες του τύπου Α, έχουμε λεπτομερή αρχεία σχετικά με τη διατροφή και τη συμπεριφορά ύπνου για τα αγόρια. Θυμάστε αυτό το υπολογιστικό φύλλο;
Χρησιμοποιώντας αυτά τα δεδομένα, ξεκίνησα να βρω τον βέλτιστο συνδυασμό παραμέτρων εισαγωγής, σε αυτήν την περίπτωση εξέτασα το σύνολο των τροφίμων που καταναλώθηκαν σε την ημέρα, την ώρα της τελευταίας σίτισης και την ποσότητα της τελευταίας σίτισης, για να καθοριστεί τι θα είχε ως αποτέλεσμα τον μεγαλύτερο βραδινό ύπνο για αγόρια. Και το καλύτερο από όλα θα μπορούσα να αφήσω τον υπολογιστή να κάνει τη σκληρή δουλειά. Επιπλέον, είχαμε διπλάσια δεδομένα για αυτά τα μοτίβα γιατί φυσικά δεν έχουμε ένα αλλά 2 αγόρια.
flickr / Ματθαίος Εφραίμ
Υπάρχουν πολλές εξαιρετικές βιβλιοθήκες για μηχανική εκμάθηση διαθέσιμες σε όλες τις γλώσσες προγραμματισμού. Παρόλο που χρησιμοποιώ κυρίως Java και Javascript για εργασία, επέλεξα τη βιβλιοθήκη Python sklearn, καθώς έχουν εξοικείωση με την Python και αυτό φαινόταν η τέλεια εφαρμογή για το ευέλικτο σενάριο Γλώσσα. Υπάρχουν πολλά υπέροχα σεμινάρια για αυτήν τη βιβλιοθήκη και καλή τεκμηρίωση επίσης.
Μπορείτε να βρείτε τον κωδικό μου στο github αν ενδιαφέρεται.
Εξάγοντας τα δεδομένα που συλλέξαμε από το υπολογιστικό φύλλο, εξήγαγα μόνο τον προηγούμενο μήνα σημείων δεδομένων. Λόγω της ταχείας ανάπτυξης και των αναπτυξιακών αλλαγών που περνούν τα βρέφη, ένιωσα ότι τα δεδομένα ενός μήνα - επί 2 βρέφη - ήταν μια καλή ισορροπία της πρόσφατης κατάστασης και αρκετά δεδομένα για να κάνω μια πρόβλεψη.
Συνδυάζοντας το και Κωδικοποιώντας το
Πήρα επίσης μερικά ενδιαφέροντα στατιστικά, συμπεριλαμβανομένου ότι κατά μέσο όρο ταΐζαμε τα αγόρια 27,5 ουγκιές ανά την ημέρα, τα βάζετε για ύπνο πιο συχνά στις 7:25, τα ταΐζετε 5,22 ουγκιές πριν τον ύπνο και κοιμόντουσαν 9 ώρες μέση τιμή. Αποδείχθηκε επίσης ότι τα αγόρια κοιμόντουσαν πάνω από 10 ώρες το 75% του χρόνου. ΟΧΙ άσχημα. Αλλά ήξερα ότι με λίγη περισσότερη δουλειά θα μπορούσαμε να το βελτιώσουμε αυτό.
Χρησιμοποιώντας αυτά τα δεδομένα, μπόρεσα να σχεδιάσω κάθε παράμετρο σε σχέση με τον χρόνο ύπνου.
Μπορείτε να δείτε ότι δεν υπάρχει ήδη ισχυρός συσχετισμός, τουλάχιστον γραμμικός μεταξύ των περισσότερων από αυτούς. Η πιο κοντινή είναι η κάπως γραμμική - με πολλές ακραίες τιμές - σχέση μεταξύ της συνολικής τροφής και των ωρών ύπνου. Παραδόξως περισσότερο φαγητό φαίνεται να οδηγεί σε λιγότερο ύπνο.
flickr / hegbar
Υπάρχουν πολλοί διαφορετικοί τύποι αλγορίθμων μηχανικής μάθησης. Αυτά ταξινομούνται σε μεγάλο βαθμό σε γραμμικούς και μη γραμμικούς τύπους. Πήρα τα δεδομένα και τα έτρεξα σε 6 αρκετά ευρέως χρησιμοποιούμενους αλγόριθμους για να δω πόσο ακριβείς θα μπορούσε να είναι ο καθένας. Εδώ είναι τα αποτελέσματα.
Ή σε πιο εικονογραφική μορφή
Εδώ μπορείτε να δείτε ότι το Algo Support Vector Machine είχε σαφώς την καλύτερη απόδοση σε σχέση με τα δεδομένα, αν και το εύρος είναι πολύ ευρύ και ο μέσος όρος δεν είναι πολύ καλύτερος από τους άλλους. Κανένα δεν είναι καν στο 50 τοις εκατό που είναι αρκετά φτωχό για πρόβλεψη. Αυτό οφείλεται εξ ολοκλήρου στην ψευδοτυχαία φύση των δεδομένων. Ακόμη και με τέτοια αποτελέσματα, αποφάσισα να προχωρήσω, ελπίζοντας να λάμψω οποιαδήποτε ιδέα.
Χρησιμοποιώντας SVM, εκπαίδευσα τον αλγόριθμο στα δεδομένα εισόδου. Χρησιμοποιώντας αυτό, μπορούσα τώρα να προβλέψω πόσο θα κοιμόμασταν με βάση την ποσότητα τροφής που λαμβάνουμε την ημέρα, πότε τα βάζουμε για ύπνο και πόσο τα ταΐσαμε στο τελευταίο τάισμα. Για παράδειγμα, το να τους δώσουμε 28 ουγγιές, να τους βάλουμε για ύπνο στις 7 και να τους δίνουμε 6 ουγγιές στο τελευταίο τάισμα θα είχε ως αποτέλεσμα έναν αρκετά κακό ύπνο 8 ωρών.
συμπεράσματα
Με τον αλγόριθμο τώρα εκπαιδευμένο, μπορούσα να προβλέψω με βεβαιότητα πόσο θα κοιμόμασταν. Το πιο σημαντικό, θα μπορούσα να κοιτάξω τις γραμμές τάσης για αυτά και να δω ποιος τύπος συμπεριφοράς οδήγησε σε περισσότερο ύπνο σε μια προσπάθεια βελτιστοποίησης. Αντιθετικά, το να πηγαίνεις για ύπνο νωρίτερα, με λιγότερη τροφή τότε και κατά τη διάρκεια της ημέρας στην πραγματικότητα αύξησε τον ύπνο. Αυτό πιθανότατα οφείλεται σε πολλούς παράγοντες, αλλά η θεωρία μου είναι ότι λιγότερο φαγητό σημαίνει λιγότερα αέρια, λιγότερη συρρίκνωση του στομάχου όταν πεινάς και επομένως περισσότερο ξεκούραστο ύπνο. Πόσες φορές έχετε ξεφύγει και μετά ξυπνήσατε παράξενα στη μέση της νύχτας πεινώντας;
flickr / Dion Hinchcliffe
Δυστυχώς, όπως και με τη δοκιμή A/B, καμία μεμονωμένη είσοδος δεν φαίνεται να έχει ισχυρή άμεση είσοδο στον ύπνο. Υποθέτω ότι αν γινόταν κάποιος θα το είχε ήδη ανακαλύψει και θα έκανε εκατομμύρια. Συνολικά, η μηχανική μάθηση μπορεί να βρει μερικές από αυτές τις τάσεις και συσχετίσεις μεταξύ μεταβλητών, κάτι που οδηγεί για καλύτερα, πιο ακριβή αποτελέσματα από τις δοκιμές A/B ή τη δοκιμή και το σφάλμα, αλλά τα αποτελέσματα εξακολουθούν να απέχουν πολύ από το να είναι εξαιρετικά. Από αυτά τα δεδομένα, το πολύ θα μπορούσα να πάρω ένα ποσοστό ακρίβειας 41 τοις εκατό των προβλέψεων. Αυτό σημαίνει ότι τις περισσότερες φορές κάνουν λάθος. Λόγω των συχνών αλλαγών στην ανάπτυξη και ακόμη και των διαφορών μεταξύ των αγοριών, είναι δύσκολο να εφαρμοστούν δεδομένα σε αυτά. Και πάλι, ένα μεγαλύτερο μέγεθος δείγματος μπορεί να βοηθήσει, αλλά δεν στοχεύουμε σε τρίδυμα σύντομα.
Ωστόσο, αυτά τα αποτελέσματα είναι καλύτερα από το τίποτα και βοηθούν στην επίδειξη της υπόσχεσης του τομέα της μηχανικής μάθησης και της επιστήμης δεδομένων. Προτιμώ να παίρνω αποφάσεις με βάση τα δεδομένα και όχι από τα εντερικά συναισθήματα και αυτά τα δεδομένα επιβεβαιώνουν απλώς κάποιες από τις εικασίες μου με κάνουν να νιώθω καλύτερα για την γονική μας προσέγγιση.
Ο Tyler Lund είναι ο συντάκτης του Ο μπαμπάς στο τρέξιμο.
