Uso de la ciencia de datos para mejorar el sueño de mis bebés gemelos

Lo siguiente fue sindicado de Medio por El foro paternal, una comunidad de padres e influencers con conocimientos sobre el trabajo, la familia y la vida. Si desea unirse al Foro, escríbanos a [email protected].

Hace un mes intenté Pruebas A / B para ver cómo diferentes "tratamientos" o parámetros de entrada pueden resultar en un sueño más prolongado para nuestros gemelos y, por supuesto, para nosotros. A través de esto, descubrí que los patrones de sueño eran bastante erráticos y no encontré mucho que se correlacionara fuertemente con un aumento del sueño. A medida que pasaba el tiempo, empezaron más por su cuenta de forma natural. Sin embargo, ahora que han cumplido los 4 meses, han comenzado la fase de regresión del sueño aparentemente común pero rara vez discutida. Una vez más me encontré desesperado por dormir más. ¿Estaba yo, como señaló uno de los comentarios en la publicación anterior, "buscando encontrar algo sin importar cuán desesperado por dormir más?" Si. Sí lo estaba. Por lo tanto, recurrí a otra técnica informática, el aprendizaje automático.

El aprendizaje automático es un campo dentro de la informática que proporciona métodos para "enseñar" computadoras o programas sin darles instrucciones discretas. En la programación normal, le daría a la computadora una secuencia de comandos para ejecutar, agregando lógica a tomar decisiones sobre qué hacer en función de la entrada, pero el programa nunca podría salirse de estos bien definidos rieles. Aunque esta descripción suena más cercana a la Terminator de lo que realmente parece en la práctica, el aprendizaje automático permite tomar un conjunto de datos de "aprendizaje" y usarlos como base para hacer predicciones. Aunque se está volviendo cada vez más popular en la industria de la tecnología, se ha utilizado principalmente para analizar las compras. comportamiento y recomendaciones, IA, y quizás lo más interesante, para categorizar e identificar imágenes y arte, en gran parte por Google. No pude encontrar muchos casos de que se aplique a la crianza de los hijos.

Gracias a la experiencia contable de mi esposa y nuestras personalidades tipo A, tenemos registros detallados sobre el comportamiento de alimentación y sueño de los niños. ¿Recuerdas esta hoja de cálculo?

Usando estos datos, me propuse encontrar la combinación óptima de parámetros de entrada, en este caso miré el total de alimentos consumidos en el día, la hora de la última alimentación y la cantidad de la última alimentación, para determinar qué resultaría en el sueño nocturno más largo para el Niños. Y lo mejor de todo es que podía dejar que la computadora hiciera el trabajo duro. Además, teníamos el doble de datos sobre estos patrones porque, por supuesto, no tenemos uno, sino 2 niños.

Hay varias bibliotecas excelentes para el aprendizaje automático disponibles en todos los lenguajes de programación. Aunque utilizo principalmente Java y Javascript para trabajar, elegí la biblioteca de Python sklearn, ya que estar familiarizado con Python y esta parecía la aplicación perfecta para la programación flexible idioma. Hay muchos tutoriales excelentes para esta biblioteca y también buena documentación.

Puedes encontrar mi código en github si está interesado.

Al exportar los datos que recopilamos de la hoja de cálculo, extraje solo el mes pasado de puntos de datos. Debido al rápido crecimiento y los cambios en el desarrollo que atraviesan los bebés, sentí que los datos de un mes, multiplicados por 2 bebés, eran un buen equilibrio entre lo reciente y suficientes datos para hacer una predicción.

Armarlo y codificarlo

También obtuve algunas estadísticas que fueron interesantes, incluido que, en promedio, alimentamos a los niños con 27.5 oz por día. día, los acueste con mayor frecuencia a las 7:25, les dio de comer 5.22 oz a la hora de acostarse y durmieron 9 horas en promedio. También resultó que los niños durmieron más de 10 horas el 75 por ciento del tiempo. No está mal. Pero sabía que con un poco más de trabajo podríamos mejorar esto.

Usando estos datos, pude graficar cada parámetro contra el tiempo de sueño.

Puede ver que ya no existe una correlación fuerte, al menos lineal entre la mayoría de estos. Lo más cercano es la relación un tanto lineal, con muchos valores atípicos, entre la comida total y las horas de sueño. Curiosamente, más comida parece resultar en menos sueño.

Hay muchos tipos diferentes de algoritmos de aprendizaje automático. Estos se clasifican en gran medida en tipos lineales y no lineales. Tomé los datos y los ejecuté a través de 6 algoritmos bastante utilizados para ver qué tan precisos podían ser cada uno. Aquí están los resultados.

O en una forma más pictográfica

Aquí puede ver que el algoritmo de Support Vector Machine obtuvo claramente el mejor rendimiento frente a los datos, aunque el rango es muy amplio y la media no es mucho mejor que las demás. Ninguno está al 50 por ciento, lo cual es bastante pobre para predecir. Esto se debe enteramente a la naturaleza pseudoaleatoria de los datos. Incluso con tales resultados, decidí seguir adelante, con la esperanza de brillar alguna idea.

Usando SVM, entrené el algoritmo en los datos de entrada. Con esto, ahora podía predecir cuánto dormiríamos en función de la cantidad de comida que ingerimos en un día, cuándo los acostamos y cuánto les dimos en la última toma. Por ejemplo, darles 28 onzas, acostarlos a las 7 y darles 6 onzas en la última comida resultaría en unas 8 horas de sueño bastante malas.

Conclusiones

Con el algoritmo ahora entrenado, podría predecir con cierta certeza cuánto dormiríamos. Más importante aún, pude ver las líneas de tendencia para estos y ver qué tipo de comportamiento llevó a dormir más en un intento de optimizarlo. Contrariamente a la intuición, irse a la cama más temprano, con menos comida en ese momento y durante el día en realidad aumentó el sueño. Es probable que esto se deba a muchos factores, pero mi teoría es que menos comida significa menos gases, menos encogimiento del estómago cuando se tiene hambre y, por lo tanto, un sueño más reparador. ¿Cuántas veces te has agotado y luego te has despertado extrañamente en medio de la noche hambriento?

Desafortunadamente, al igual que con las pruebas A / B, ninguna entrada individual parece tener una entrada directa fuerte sobre el sueño. Supongo que si lo hubiera hecho, alguien ya lo habría descubierto y habría ganado millones. En conjunto, el aprendizaje automático puede encontrar algunas de estas tendencias y asociaciones entre variables, lo que conduce para obtener resultados mejores y más precisos que las pruebas A / B o el ensayo y error, pero los resultados aún están lejos de ser excelentes. A partir de estos datos, como mucho pude obtener una tasa de precisión de las predicciones del 41 por ciento. Eso significa que la mayoría de las veces se equivocan. Debido a los frecuentes cambios en el desarrollo e incluso a las diferencias entre los niños, es difícil aplicar datos entre ellos. Una vez más, un tamaño de muestra más grande podría ayudar, pero no pretendemos tener trillizos en el corto plazo.

Aún así, estos resultados son mejores que nada y ayudan a demostrar la promesa del campo del aprendizaje automático y la ciencia de datos. Yo, por mi parte, prefiero tomar decisiones a partir de los datos sobre los sentimientos viscerales y estos datos, incluso confirmando algunas de mis conjeturas, me hace sentir mejor acerca de nuestro enfoque de crianza.

Tyler Lund es el editor de Papá a la fuga.