A Data Science használata a csecsemő ikreim alvásának javítására

Az alábbi szindikált a Közepes számára Az Atyafórum, szülők és befolyásolók közössége, akik betekintést nyújtanak a munkába, a családba és az életbe. Ha szeretnél csatlakozni a fórumhoz, írj nekünk [email protected].

Egy hónapja megpróbáltam A/B tesztelés hogy lássuk, a különböző „kezelések” vagy bemeneti paraméterek hogyan eredményezhetnek hosszabb alvást ikreink számára – és természetesen proxy által mi is. Ezáltal azt tapasztaltam, hogy az alvási szokások meglehetősen ingadozóak, és nem találtam sok olyat, ami szoros összefüggést mutatott volna a megnövekedett alvással. Ahogy telt az idő, egyre inkább maguktól indultak természetesen. Most azonban, hogy elérték a 4 hónapos kort, elkezdték a látszólag gyakori, de ritkán tárgyalt alvási regressziós fázist. Ismét azon kaptam magam, hogy kétségbeesetten vágyom több alvásra. Vajon, ahogyan az előző bejegyzéshez fűzött egyik kommentár rámutatott, „kerestem valamit, bármennyire is vágyom több alvásra?” Igen. Igen én voltam. Ezért egy másik számítástechnikai technika, a gépi tanulás felé fordultam.

A gépi tanulás egy olyan terület a számítástechnikán belül, amely módszereket biztosít a számítógépek vagy programok „tanítására” anélkül, hogy külön utasításokat adna nekik. A normál programozás során parancssort adnék a számítógépnek, hogy végrehajtsa, logikát adva a bemeneti adatok alapján döntse el, hogy mit kell tennie, de a program soha nem tud eltérni ezektől a jól meghatározottaktól sínek. Bár ez a leírás közelebb hangzik a Végrehajtó mint amilyennek a gyakorlatban látszik, a gépi tanulás lehetővé teszi, hogy egy sor „tanulási” adatot vegyünk fel és használjunk fel előrejelzések készítésére. Noha egyre népszerűbb a technológiai iparban, többnyire vásárlásra használták viselkedés és ajánlások, mesterséges intelligencia, és ami talán a legérdekesebb, a képek és a művészet kategorizálása és azonosítása – nagyrészt az alapján Google. Nem sok példát találtam arra, hogy ezt a gyermeknevelésre alkalmazták volna.

Feleségem könyvelési hátterének és A típusú személyiségünknek köszönhetően részletes nyilvántartásunk van a fiúk táplálkozásáról és alvási viselkedéséről. Emlékszel erre a táblázatra?

Ezen adatok felhasználásával a bemeneti paraméterek optimális kombinációjának megtalálását tűztem ki célul, ebben az esetben az összes elfogyasztott élelmiszert vizsgáltam. az utolsó etetés napja, időpontja és az utolsó etetés mennyisége annak meghatározásához, hogy mi eredményezné a leghosszabb éjszakai alvást fiúk. És ami a legjobb, hagyhattam, hogy a számítógép végezze el a kemény munkát. Ráadásul ezekről a mintákról kétszer annyi adatunk volt, mert természetesen nem egy, hanem 2 fiúnk van.

Számos nagyszerű programkönyvtár áll rendelkezésre a gépi tanuláshoz a különböző programozási nyelveken. Annak ellenére, hogy munkám során elsősorban Java-t és Javascript-et használok, a Python sklearn könyvtárat választottam, mivel ismeri a Pythont, és ez tökéletes alkalmazásnak tűnt a rugalmas szkriptekhez nyelv. Számos nagyszerű oktatóanyag található ehhez a könyvtárhoz, és jó dokumentáció is található.

A kódomat megtalálod itt github ha érdekel.

A táblázatból összegyűjtött adatokat exportálva csak az elmúlt hónap adatpontjait vontam ki. A csecsemők gyors növekedési és fejlődési változásai miatt úgy éreztem, hogy az egyhavi adatok – 2 csecsemő szorzata – jó egyensúlyt mutatnak a közelmúlt és elegendő adat között az előrejelzéshez.

Összerakása és kódolása

Kaptam néhány érdekes statisztikát is, beleértve azt is, hogy átlagosan 27,5 unciával etettük a fiúkat nap, leggyakrabban 7:25-kor fektették le őket, lefekvés előtt 5,22 oz-t etettek velük, és 9 órát aludtak átlagos. Az is kiderült, hogy a fiúk az esetek 75 százalékában több mint 10 órát aludtak. Nem túl rossz. De tudtam, hogy további munkával javíthatunk ezen.

Ezen adatok felhasználásával minden paramétert az alvásidő függvényében tudtam ábrázolni.

Látható, hogy ezek többsége között már nincs erős, legalábbis lineáris korreláció. A legközelebbi a némileg lineáris – sok kiugró értékkel – kapcsolat a teljes táplálék és az alvási órák között. Furcsa módon több étel kevesebb alvást eredményez.

Sokféle gépi tanulási algoritmus létezik. Ezeket nagyrészt lineáris és nemlineáris típusokra osztják. Felvettem az adatokat, és végigfuttattam 6 meglehetősen széles körben használt algoritmuson, hogy lássam, milyen pontosak lehetnek mindegyik. Íme az eredmények.

Vagy képszerűbb formában

Itt látható, hogy a Support Vector Machine algo egyértelműen a legjobban teljesített az adatokkal szemben, bár a tartomány nagyon széles, és az átlag sem sokkal jobb, mint a többi. Egyik sem éri el az 50 százalékot, ami elég rossz az előrejelzéshez. Ez teljes mértékben az adatok pszeudovéletlen jellegének köszönhető. Még ilyen eredmények ellenére is úgy döntöttem, hogy továbblépek, abban a reményben, hogy egyáltalán bepillantást nyerhetek.

Az SVM segítségével betanítottam az algoritmust a bemeneti adatokra. Ennek segítségével most meg tudnám jósolni, hogy mennyit alszunk az egy nap elfogyasztott táplálék mennyisége, az ágyba fektetés időpontja és az utolsó etetéskor adott táplálék alapján. Például, ha 28 unciát adunk nekik, 7-kor lefektetjük, és az utolsó etetéskor 6 unciát adunk, az elég rossz 8 óra alvást eredményez.

Következtetések

A most betanított algoritmussal bizonyosan meg tudtam jósolni, mennyit fogunk aludni. Ennél is fontosabb, hogy megnézhettem ezek trendvonalait, és megnézhettem, milyen típusú viselkedés vezetett több alváshoz az optimalizálási kísérlet érdekében. Ezzel szemben a korábban lefekvés, kevesebb étkezés és a nap folyamán történő lefekvés növelte az alvást. Ez valószínűleg sok tényezőnek köszönhető, de az elméletem az, hogy a kevesebb étel kevesebb gázt, kevesebb gyomorzsugorodást jelent éhes állapotban, és így pihentetőbb alvást. Hányszor voltál már kimaradva, majd bizarr módon éhezve ébredtél fel az éjszaka közepén?

Sajnos, csakúgy, mint az A/B tesztelésnél, úgy tűnik, hogy egyetlen egyéni bemenet sem befolyásolja erősen az alvást. Gondolom, ha megtenné, valaki már felfedezte volna, és milliókat keresne. Összességében a gépi tanulás találhat néhány ilyen tendenciát és összefüggést a változók között, ami elvezet jobb, pontosabb eredményeket ér el, mint az A/B tesztelés vagy a próba és hiba, de az eredmények még mindig messze vannak a nagyszerűtől. Ezekből az adatokból legfeljebb 41 százalékos előrejelzési pontosságot kaphattam. Ez azt jelenti, hogy gyakrabban tévednek. A gyakori fejlődési változások, sőt a fiúk közötti különbségek miatt nehéz rájuk alkalmazni az adatokat. A nagyobb mintanagyság ismét segíthet, de a közeljövőben nem törekszünk hármasikrek létrehozására.

Mégis, ezek az eredmények jobbak a semminél, és segítenek bemutatni a gépi tanulás és az adattudomány ígéretét. Én magam szívesebben döntök adatok alapján, semmint megérzéseim alapján, és ezek az adatok még csak megerősítenek is néhány sejtésemet, és jobban érzem magam a szülői megközelítésünkkel kapcsolatban.

Tyler Lund a szerkesztője Apa szökésben.