मेरे जुड़वां बच्चों की नींद में सुधार के लिए डेटा साइंस का उपयोग करना

निम्नलिखित से सिंडिकेट किया गया था मध्यम के लिये द फादरली फोरम, काम, परिवार और जीवन के बारे में अंतर्दृष्टि वाले माता-पिता और प्रभावशाली लोगों का एक समुदाय। यदि आप फ़ोरम में शामिल होना चाहते हैं, तो हमें यहां एक पंक्ति दें [email protected].

एक महीने पहले, मैंने कोशिश की ए / बी परीक्षण यह देखने के लिए कि अलग-अलग "उपचार" या इनपुट पैरामीटर हमारे जुड़वा बच्चों के लिए लंबी नींद में कैसे परिणाम दे सकते हैं - और निश्चित रूप से प्रॉक्सी द्वारा, हमें। इसके माध्यम से, मैंने पाया कि नींद के पैटर्न काफी अनिश्चित थे और नींद में वृद्धि के लिए दृढ़ता से सहसंबंधित बहुत कुछ नहीं मिला। जैसे-जैसे समय बीतता गया, वे स्वाभाविक रूप से अपने आप अधिक बड़े पैमाने पर शुरू हो गए। हालाँकि, अब जब वे 4 महीने तक पहुँच चुके हैं, तो उन्होंने स्पष्ट रूप से सामान्य लेकिन शायद ही कभी चर्चा की गई नींद प्रतिगमन चरण शुरू कर दिया है। मैंने एक बार फिर खुद को और नींद के लिए बेताब पाया। क्या मैं, जैसा कि पिछली पोस्ट पर एक टिप्पणी में बताया गया था, "कुछ भी खोजने की तलाश में चाहे कितना भी अधिक नींद के लिए बेताब हो?" हां। हाँ मैं था। इसलिए, मैंने एक और कंप्यूटर विज्ञान तकनीक, मशीन लर्निंग की ओर रुख किया।

मशीन लर्निंग कंप्यूटर विज्ञान के भीतर एक ऐसा क्षेत्र है जो कंप्यूटर या प्रोग्राम को असतत निर्देश दिए बिना "सिखाने" के तरीके प्रदान करता है। सामान्य प्रोग्रामिंग में, मैं कंप्यूटर को लॉजिक में फेंकने के लिए निष्पादित करने के लिए कमांड का एक क्रम दूंगा इनपुट के आधार पर क्या करना है, इसका निर्धारण करें, लेकिन कार्यक्रम कभी भी इन अच्छी तरह से परिभाषित नहीं हो सकता है रेल। हालांकि यह विवरण के करीब लगता है टर्मिनेटर व्यवहार में यह वास्तव में कैसा दिखता है, मशीन लर्निंग किसी को "सीखने" डेटा का एक सेट लेने और भविष्यवाणी करने के आधार पर इसका उपयोग करने की अनुमति देता है। हालांकि यह प्रौद्योगिकी उद्योग में तेजी से लोकप्रिय हो रहा है, लेकिन इसका उपयोग ज्यादातर खरीदारी को देखने के लिए किया गया है व्यवहार और सिफारिशें, एआई, और शायद सबसे दिलचस्प, चित्रों और कला को वर्गीकृत करने और पहचानने के लिए - बड़े पैमाने पर गूगल। मुझे इसके पालन-पोषण पर लागू होने के कई उदाहरण नहीं मिले।

मेरी पत्नी की लेखा पृष्ठभूमि और हमारे टाइप ए व्यक्तित्व के लिए धन्यवाद, हमारे पास लड़कों के लिए भोजन और सोने के व्यवहार पर विस्तृत रिकॉर्ड हैं। यह स्प्रेडशीट याद है?

इस डेटा का उपयोग करते हुए, मैंने इनपुट मापदंडों के इष्टतम संयोजन को खोजने के लिए निर्धारित किया, इस मामले में मैंने कुल खपत किए गए भोजन को देखा दिन, आखिरी भोजन का समय, और आखिरी भोजन की मात्रा, यह निर्धारित करने के लिए कि क्या परिणाम के लिए सबसे लंबी रात की नींद होगी लड़के। और सबसे अच्छी बात यह है कि मैं कंप्यूटर को कड़ी मेहनत करने दे सकता था। साथ ही, हमारे पास इन पैटर्नों पर दोगुना डेटा था क्योंकि हमारे पास निश्चित रूप से एक नहीं बल्कि 2 लड़के हैं।

प्रोग्रामिंग भाषाओं में मशीन लर्निंग के लिए कई बेहतरीन लाइब्रेरी उपलब्ध हैं। भले ही मैं मुख्य रूप से काम के लिए जावा और जावास्क्रिप्ट का उपयोग करता हूं, मैंने पायथन लाइब्रेरी स्केलेर को चुना है, जैसा कि I पायथन के साथ परिचित हैं और यह लचीली स्क्रिप्टिंग के लिए एकदम सही अनुप्रयोग लग रहा था भाषा: हिन्दी। इस पुस्तकालय और अच्छे दस्तावेज़ीकरण के लिए कई बेहतरीन ट्यूटोरियल हैं।

आप मेरा कोड इस पर पा सकते हैं GitHub अगर दिलचस्पी हो।

स्प्रैडशीट से एकत्र किए गए डेटा को निर्यात करते हुए, मैंने पिछले महीने के डेटा बिंदुओं को निकाला। शिशुओं के तेजी से विकास और विकासात्मक परिवर्तनों के कारण, मुझे लगा कि एक महीने का डेटा - 2 शिशुओं का समय - भविष्यवाणी का एक अच्छा संतुलन और भविष्यवाणी करने के लिए पर्याप्त डेटा था।

इसे एक साथ रखना और इसे कोडिंग करना

मुझे कुछ ऐसे आँकड़े भी मिले जो दिलचस्प थे जिनमें यह भी शामिल है कि हमने लड़कों को औसतन 27.5 आउंस प्रति. खिलाया दिन में, उन्हें अक्सर 7:25 बजे बिस्तर पर लिटाया, सोते समय उन्हें 5.22 आउंस खिलाया, और वे 9 घंटे सोए औसत। यह भी पता चला कि लड़के 75 प्रतिशत समय में 10 घंटे से अधिक सोते थे। इतना बुरा भी नहीं। लेकिन मुझे पता था कि कुछ और काम से हम इसमें सुधार कर सकते हैं।

इस डेटा का उपयोग करके, मैं प्रत्येक पैरामीटर को सोने के समय के विरुद्ध प्लॉट करने में सक्षम था।

आप देख सकते हैं कि इनमें से अधिकांश के बीच पहले से ही कोई मजबूत सहसंबंध नहीं है, कम से कम रैखिक है। निकटतम कुछ हद तक रैखिक है - बहुत सारे आउटलेर्स के साथ - कुल भोजन और नींद के घंटों के बीच संबंध। अजीब तरह से अधिक भोजन करने से नींद कम आती है।

मशीन लर्निंग एल्गोरिदम के कई अलग-अलग प्रकार हैं। इन्हें बड़े पैमाने पर रैखिक और गैर-रेखीय प्रकारों में वर्गीकृत किया जाता है। मैंने डेटा लिया और इसे 6 व्यापक रूप से उपयोग किए जाने वाले एल्गोरिदम के माध्यम से चलाया, यह देखने के लिए कि प्रत्येक कितना सटीक हो सकता है। यहाँ परिणाम हैं।

या अधिक चित्रात्मक रूप में

यहां आप देख सकते हैं कि सपोर्ट वेक्टर मशीन एल्गो ने स्पष्ट रूप से डेटा के मुकाबले सबसे अच्छा प्रदर्शन किया है, हालांकि सीमा बहुत व्यापक है और माध्य दूसरों की तुलना में बहुत बेहतर नहीं है। कोई भी 50 प्रतिशत पर भी नहीं है जो भविष्यवाणी करने के लिए बहुत खराब है। यह पूरी तरह से डेटा की छद्म यादृच्छिक प्रकृति के कारण है। इस तरह के परिणामों के साथ भी, मैंने किसी भी अंतर्दृष्टि को चमकाने की उम्मीद में, आगे बढ़ने का फैसला किया।

एसवीएम का उपयोग करते हुए, मैंने इनपुट डेटा पर एल्गोरिदम को प्रशिक्षित किया। इसका उपयोग करके, मैं अब यह अनुमान लगा सकता हूं कि एक दिन में लिए गए भोजन की मात्रा के आधार पर हमें कितनी नींद आ रही होगी, जब हम उन्हें बिस्तर पर रखेंगे, और आखिरी बार हमने उन्हें कितना खिलाया। उदाहरण के लिए, उन्हें 28 आउंस देना, उन्हें 7 बजे बिस्तर पर लिटाना और उस आखिरी फीडिंग पर 6 औंस देने से 8 घंटे की नींद काफी खराब हो जाएगी।

निष्कर्ष

अब प्रशिक्षित एल्गोरिथम के साथ, मैं कुछ निश्चितता के साथ भविष्यवाणी कर सकता था कि हमें कितनी नींद आ रही होगी। इससे भी महत्वपूर्ण बात यह है कि मैं इनके लिए प्रवृत्ति रेखाओं को देख सकता था और देख सकता था कि किस प्रकार के व्यवहार ने अनुकूलन के प्रयास में अधिक नींद ली। विपरीत रूप से, पहले बिस्तर पर जाना, कम भोजन के साथ और पूरे दिन वास्तव में नींद में वृद्धि हुई। यह कई कारकों के कारण होने की संभावना है, लेकिन मेरा सिद्धांत यह है कि कम भोजन का अर्थ है कम गैस, भूख लगने पर पेट कम सिकुड़ना, और इसलिए अधिक आरामदायक नींद। आप कितनी बार बाहर निकले हैं और फिर विचित्र रूप से आधी रात को भूख से जाग गए हैं?

दुर्भाग्य से, ए/बी परीक्षण की तरह, किसी एक व्यक्तिगत इनपुट का नींद पर एक मजबूत प्रत्यक्ष इनपुट नहीं लगता है। मुझे लगता है कि अगर ऐसा होता तो कोई इसे पहले ही खोज लेता और लाखों कमा लेता। एक साथ लिया जाए, तो मशीन लर्निंग इनमें से कुछ प्रवृत्तियों और चरों के बीच जुड़ाव का पता लगा सकता है, जो आगे बढ़ता है ए/बी परीक्षण या परीक्षण और त्रुटि की तुलना में बेहतर, अधिक सटीक परिणाम प्राप्त करने के लिए, लेकिन परिणाम अभी भी महान से बहुत दूर हैं। इस डेटा से, अधिक से अधिक मुझे पूर्वानुमानों की 41 प्रतिशत सटीकता दर प्राप्त हो सकती है। इसका मतलब है कि अक्सर वे गलत नहीं होते हैं। विकास में लगातार बदलाव और यहां तक ​​कि लड़कों के बीच मतभेदों के कारण, उन पर डेटा लागू करना मुश्किल है। फिर से, एक बड़ा नमूना आकार मदद कर सकता है, लेकिन हम जल्द ही किसी भी समय तीन गुना करने का लक्ष्य नहीं बना रहे हैं।

फिर भी, ये परिणाम कुछ भी नहीं से बेहतर हैं और मशीन लर्निंग और डेटा साइंस के क्षेत्र के वादे को प्रदर्शित करने में मदद करते हैं। मैं एक के लिए आंत की भावनाओं पर डेटा से निर्णय लेना पसंद करता हूं और यह डेटा यहां तक ​​​​कि मेरे कुछ अनुमानों की पुष्टि करने से मुझे हमारे पालन-पोषण के दृष्टिकोण के बारे में बेहतर महसूस होता है।

टायलर लुंड के संपादक हैं पिताजी दौड़ते हैं.