Datu zinātnes izmantošana, lai uzlabotu zīdaiņu dvīņu miegu

Šis tika sindicēts no Vidēja priekš Tēvu forums, vecāku un ietekmētāju kopiena ar ieskatiem par darbu, ģimeni un dzīvi. Ja vēlaties pievienoties forumam, rakstiet mums uz [email protected].

Pirms mēneša es mēģināju A/B testēšana lai redzētu, kā dažādas “apstrādes” vai ievades parametri var izraisīt ilgāku miegu mūsu dvīņiem — un, protams, izmantojot starpniekserveri, mēs. Tādējādi es atklāju, ka miega modeļi bija diezgan nepastāvīgi un neatradu daudz, kas būtu cieši saistīts ar palielinātu miegu. Laikam ejot, viņi dabiskā veidā sāka lielākoties paši. Tomēr tagad, kad viņi ir sasnieguši 4 mēnešus, viņi ir sākuši šķietami izplatīto, bet reti apspriesto miega regresijas fāzi. Es atkal atklāju, ka esmu izmisusi pēc vairāk miega. Vai es, kā norādīja viens komentārs par iepriekšējo ierakstu, "meklēju kaut ko atrast neatkarīgi no tā, cik izmisīgi vēlos vairāk gulēt?" Jā. Jā, es biju. Tāpēc es pievērsos citai datorzinātņu tehnikai, mašīnmācībai.

Mašīnmācība ir datorzinātņu joma, kas nodrošina datoru vai programmu “mācīšanas” metodes, nedodot tiem atsevišķas instrukcijas. Parastā programmēšanā es dotu datoram izpildāmo komandu secību, iekļaujot tajā loģiku pieņemt lēmumus par to, ko darīt, pamatojoties uz ievadi, taču programma nekad nevarētu izkļūt no šiem labi definētajiem sliedes. Lai gan šis apraksts izklausās tuvāk

Terminators nekā tas patiesībā izskatās praksē, mašīnmācīšanās ļauj iegūt “mācību” datu kopu un izmantot to prognožu veidošanai. Lai gan tas kļūst arvien populārāks tehnoloģiju nozarē, tas galvenokārt ir izmantots, lai meklētu pirkumus uzvedība un ieteikumi, AI un, iespējams, visinteresantākais, klasificēt un identificēt attēlus un mākslu — galvenokārt pēc Google. Es nevarēju atrast daudzus gadījumus, kad tas būtu piemērots vecāku audzināšanai.

Pateicoties manas sievas grāmatvedības pagātnei un mūsu A tipa personībām, mums ir detalizēta uzskaite par zēnu barošanu un uzvedību miegā. Atcerieties šo izklājlapu?

Izmantojot šos datus, es centos atrast optimālo ievades parametru kombināciju, šajā gadījumā aplūkoju kopējo pārtikas patēriņu diena, pēdējās barošanas laiks un pēdējās barošanas reižu skaits, lai noteiktu, kas varētu izraisīt ilgāko nakts miegu zēni. Un pats labākais, ka varēju ļaut datoram paveikt smago darbu. Turklāt mums bija divreiz vairāk datu par šiem modeļiem, jo ​​mums, protams, ir nevis viens, bet 2 zēni.

Mašīnmācībai ir pieejamas vairākas lieliskas bibliotēkas visās programmēšanas valodās. Lai gan darbā galvenokārt izmantoju Java un Javascript, es izvēlējos Python bibliotēku sklearn, jo esat iepazinies ar Python, un tas šķita ideāls pielietojums elastīgai skriptēšanai valodu. Šai bibliotēkai ir daudz lielisku pamācību, kā arī laba dokumentācija.

Jūs varat atrast manu kodu github ja interesē.

Eksportējot no izklājlapas savāktos datus, es izvilku tikai pēdējā mēneša datu punktus. Tā kā zīdaiņiem notiek strauja izaugsme un attīstības izmaiņas, es jutu, ka viena mēneša dati — reiz 2 zīdaiņi – bija labs līdzsvars starp neseno laiku un pietiekami daudz datu, lai veiktu prognozi.

Salikšana kopā un kodēšana

Es arī ieguvu dažus interesantus statistikas datus, tostarp to, ka mēs zēniem vidēji barojām 27,5 unces dienā, noguldīja viņus gulēt visbiežāk pulksten 7:25, pirms gulētiešanas pabaroja ar 5,22 unces, un viņi gulēja 9 stundas vidēji. Izrādījās arī, ka zēni gulēja vairāk nekā 10 stundas 75 procentus laika. Nav slikti. Bet es zināju, ka ar papildu darbu mēs to varētu uzlabot.

Izmantojot šos datus, es varēju attēlot katru parametru pret miega laiku.

Var redzēt, ka jau nav spēcīgas korelācijas, vismaz lineāras starp lielāko daļu no tiem. Vistuvākā ir nedaudz lineāra — ar daudzām novirzēm — attiecība starp kopējo pārtiku un miega stundām. Savādi, ka vairāk pārtikas izraisa mazāk miega.

Ir daudz dažādu mašīnmācīšanās algoritmu veidu. Tos lielākoties iedala lineārajos un nelineārajos veidos. Es paņēmu datus un izmantoju tos, izmantojot 6 diezgan plaši izmantotus algoritmus, lai redzētu, cik precīzi katrs varētu būt. Lūk, rezultāti.

Vai arī vairāk piktogrammu formā

Šeit jūs varat redzēt, ka atbalsta vektora mašīnas algoritms nepārprotami darbojas vislabāk, salīdzinot ar datiem, lai gan diapazons ir ļoti plašs un vidējais rādītājs nav daudz labāks par citiem. Neviens nesasniedz pat 50 procentus, kas ir diezgan slikti prognozēšanai. Tas ir pilnībā saistīts ar datu pseidogadījuma raksturu. Pat ar šādiem rezultātiem es nolēmu virzīties uz priekšu, cerot, ka vispār izdosies gūt kādu ieskatu.

Izmantojot SVM, es apmācīju algoritmu uz ievades datiem. Izmantojot to, es tagad varēju paredzēt, cik daudz mēs gulēsim, pamatojoties uz dienā uzņemtā ēdiena daudzumu, kad tos nolikām gulēt un cik daudz mēs viņus pabarojām pēdējā barošanas reizē. Piemēram, dodot viņiem 28 unces, noliekot gulēt pulksten 7 un dodot 6 unces pēdējā barošanas reizē, rezultāts būs diezgan vājš 8 stundu miegs.

Secinājumi

Izmantojot tagad apmācīto algoritmu, es varētu diezgan droši paredzēt, cik daudz mēs gulēsim. Vēl svarīgāk ir tas, ka es varētu apskatīt šo tendenču līnijas un noskaidrot, kāda veida uzvedība noveda pie vairāk miega, lai mēģinātu optimizēt. Pretēji domām, agrāk gulētiešana, mazāk pārtikas un visas dienas garumā faktiski palielinājās miegs. Tas, iespējams, ir saistīts ar daudziem faktoriem, taču mana teorija ir tāda, ka mazāk pārtikas nozīmē mazāk gāzu, mazāk vēdera saraušanās, kad esat izsalcis, un līdz ar to arī mierīgāku miegu. Cik reižu tu esi izlaidies un pēc tam savādi pamodies nakts vidū badā?

Diemžēl, tāpat kā A/B testēšanā, šķiet, ka nevienam atsevišķam ievadītajam nav spēcīgas tiešas ietekmes uz miegu. Es domāju, ja tā būtu, kāds to jau būtu atklājis un nopelnītu miljonus. Kopumā mašīnmācība var atrast dažas no šīm tendencēm un saiknēm starp mainīgajiem, kas noved pie uz labākiem, precīzākiem rezultātiem nekā A/B testēšana vai izmēģinājumu un kļūdu pārbaude, taču rezultāti joprojām ir tālu no lieliskiem. No šiem datiem es varētu iegūt ne vairāk kā 41 procenta precizitātes rādītāju. Tas nozīmē, ka biežāk viņi kļūdās. Sakarā ar biežajām izmaiņām attīstībā un pat atšķirībām starp zēniem ir grūti piemērot datus par viņiem. Atkal, lielāks izlases lielums varētu palīdzēt, taču mēs drīzumā neplānojam iegūt trīskāršus.

Tomēr šie rezultāti ir labāki par neko un palīdz parādīt mašīnmācības un datu zinātnes jomas solījumu. Es gribētu pieņemt lēmumus, balstoties uz datiem, nevis uz iekšējām izjūtām, un šie dati, pat tikai apstiprinot dažus manus minējumus, liek man justies labāk par mūsu vecāku pieeju.

Tailers Lunds ir redaktors Tētis skrējienā.