Poniższy został syndykowany z Średni dla Forum Ojcowskie, społeczność rodziców i influencerów, którzy mają spostrzeżenia na temat pracy, rodziny i życia. Jeśli chcesz dołączyć do Forum, napisz do nas na [email protected].
Miesiąc temu próbowałem Testy A/B aby zobaczyć, jak różne „leczenia” lub parametry wejściowe mogą skutkować dłuższym snem dla naszych bliźniąt – i oczywiście przez zastępstwo dla nas. Dzięki temu odkryłem, że wzorce snu były dość nieregularne i nie znalazłem zbyt wiele, które by silnie korelowały ze zwiększonym snem. W miarę upływu czasu zaczęli bardziej naturalnie sami. Jednak teraz, gdy osiągnęli 4 miesiące, rozpoczęli pozornie powszechną, ale rzadko omawianą fazę regresji snu. Po raz kolejny byłem zdesperowany, żeby się wyspać. Czy ja, jak skomentowano w poprzednim poście, „chciałem znaleźć coś, bez względu na to, jak bardzo desperacko potrzebuję więcej snu?” Tak. Tak byłem. Dlatego zwróciłem się do innej techniki informatycznej, uczenia maszynowego.
flickr / Mateusz H.
Uczenie maszynowe to dziedzina informatyki, która zapewnia metody „uczenia” komputerów lub programów bez podawania im dyskretnych instrukcji. W normalnym programowaniu dałbym komputerowi sekwencję poleceń do wykonania, wrzucając logikę do podejmować decyzje dotyczące tego, co robić na podstawie danych wejściowych, ale program nigdy nie mógłby wyjść z tych dobrze zdefiniowanych szyny. Chociaż ten opis brzmi bliżej do Terminator niż to faktycznie wygląda w praktyce, uczenie maszynowe pozwala wziąć zestaw danych „uczących się” i wykorzystać je jako podstawę do prognozowania. Chociaż staje się coraz bardziej popularny w branży technologicznej, jest głównie używany do patrzenia na zakupy zachowanie i rekomendacje, sztuczna inteligencja i być może, co najciekawsze, kategoryzowanie i identyfikowanie obrazów i sztuki — głównie przez Google. Nie mogłem znaleźć wielu przykładów zastosowania tego w rodzicielstwie.
Dzięki księgowości mojej żony i naszym osobowościom typu A, mamy szczegółowe zapisy dotyczące karmienia i snu chłopców. Pamiętasz ten arkusz kalkulacyjny?
Korzystając z tych danych, postanowiłem znaleźć optymalną kombinację parametrów wejściowych, w tym przypadku przyjrzałem się całkowitej żywności spożytej w dzień, godzina ostatniego karmienia i ilość ostatniego karmienia, aby określić, co spowoduje najdłuższy sen w nocy dla chłopcy. A co najważniejsze, mogłem pozwolić komputerowi wykonać ciężką pracę. Dodatkowo mieliśmy dwa razy więcej danych na temat tych wzorców, ponieważ oczywiście mamy nie jednego, ale dwóch chłopców.
flickr / Mateusz Efraim
Istnieje kilka świetnych bibliotek do uczenia maszynowego dostępnych w różnych językach programowania. Mimo że do pracy używam głównie Javy i Javascript, wybrałem bibliotekę Pythona sklearn, ponieważ I znać Pythona i wydawało się, że jest to idealna aplikacja do elastycznego pisania skryptów język. Istnieje wiele świetnych samouczków dotyczących tej biblioteki i dobrej dokumentacji.
Możesz znaleźć mój kod na github Jeśli zainteresowany.
Eksportując dane, które zebraliśmy z arkusza kalkulacyjnego, wyodrębniłem tylko punkty danych z ostatniego miesiąca. Z powodu szybkiego wzrostu i zmian rozwojowych, przez które przechodzą niemowlęta, czułem, że dane z jednego miesiąca – razy 2 niemowlęta – były dobrą równowagą między ostatnimi a wystarczającą ilością danych, aby dokonać prognozy.
Składanie i kodowanie
Dostałem też kilka interesujących statystyk, w tym to, że średnio karmiliśmy chłopców 27,5 uncji na dzień, kładł je spać najczęściej o 7:25, karmił je 15,22 uncji przed snem i spał 9 godzin w nocy przeciętny. Okazało się też, że chłopcy spali ponad 10 godzin przez 75% czasu. Nieźle. Ale wiedziałem, że przy odrobinie pracy możemy to poprawić.
Korzystając z tych danych, mogłem wykreślić każdy parametr w stosunku do czasu snu.
Widać, że nie ma już silnej korelacji, przynajmniej liniowej między większością z nich. Najbliższy jest nieco liniowy — z wieloma wartościami odstającymi — związek między całkowitą ilością jedzenia a godzinami snu. Co dziwne, wydaje się, że więcej jedzenia powoduje mniej snu.
flickr / hegbar
Istnieje wiele różnych typów algorytmów uczenia maszynowego. Są one w dużej mierze podzielone na typy liniowe i nieliniowe. Wziąłem dane i przepuściłem je przez 6 dość powszechnie używanych algorytmów, aby zobaczyć, jak dokładny może być każdy. Oto wyniki.
Lub w bardziej piktograficznej formie
Tutaj możesz zobaczyć, że algorytm Support Vector Machine wyraźnie działał najlepiej w stosunku do danych, chociaż zakres jest bardzo szeroki, a średnia nie jest znacznie lepsza niż inne. Żaden z nich nie jest nawet na poziomie 50 procent, co jest dość kiepskie do przewidywania. Wynika to wyłącznie z pseudolosowego charakteru danych. Nawet przy takich wynikach postanowiłem iść do przodu, mając nadzieję, że w ogóle wydobędę jakikolwiek wgląd.
Korzystając z SVM, wyszkoliłem algorytm na danych wejściowych. Korzystając z tego, mogłem teraz przewidzieć, ile będziemy spać na podstawie ilości jedzenia przyjmowanego w ciągu dnia, kiedy kładziemy je spać i ile karmiliśmy podczas ostatniego karmienia. Na przykład danie im 28 uncji, kładzenie ich do łóżka w 7 i podawanie 6 uncji podczas ostatniego karmienia spowoduje dość kiepskie 8 godzin snu.
Wnioski
Po przeszkoleniu algorytmu mogłem z pewną dozą pewności przewidzieć, ile będziemy spać. Co ważniejsze, mogłem przyjrzeć się liniom trendu i zobaczyć, jaki rodzaj zachowania prowadzi do większej ilości snu, próbując zoptymalizować. Wbrew intuicji, pójście spać wcześniej, z mniejszą ilością jedzenia wtedy i przez cały dzień faktycznie zwiększyło sen. Jest to prawdopodobnie spowodowane wieloma czynnikami, ale moja teoria mówi, że mniej jedzenia oznacza mniej gazów, mniej skurczów żołądka, gdy jesteś głodny, a zatem bardziej spokojny sen. Ile razy wypiłeś, a potem dziwnie budziłeś się w środku nocy z głodu?
flickr / Dion Hinchcliffe
Niestety, podobnie jak w przypadku testów A/B, żaden indywidualny wkład nie wydaje się mieć silnego bezpośredniego wpływu na sen. Myślę, że gdyby tak było, ktoś już by to odkrył i zarobiłby miliony. Podsumowując, uczenie maszynowe może znaleźć niektóre z tych trendów i powiązań między zmiennymi, co prowadzi do lepszych, dokładniejszych wyników niż testy A/B lub próba i błędy, ale wyniki wciąż są dalekie od najlepszych. Z tych danych mogłem co najwyżej uzyskać 41-procentowy wskaźnik trafności prognoz. Oznacza to, że najczęściej się mylą. Ze względu na częste zmiany w rozwoju, a nawet różnice między chłopcami, trudno jest zastosować do nich dane. Ponownie, większy rozmiar próbki może pomóc, ale w najbliższym czasie nie dążymy do trojaczków.
Mimo to wyniki te są lepsze niż nic i pomagają zademonstrować obietnicę w dziedzinie uczenia maszynowego i nauki o danych. Na przykład wolę podejmować decyzje na podstawie danych, a nie odczuć, a te dane, nawet potwierdzające niektóre z moich przypuszczeń, sprawiają, że czuję się lepiej w naszym podejściu do rodzicielstwa.
Tyler Lund jest redaktorem Tata w biegu.
