Použitie Data Science na zlepšenie spánku mojich dvojčiat

Nasledujúce bolo syndikované z Stredná pre Otcovské fórum, komunita rodičov a influencerov s pohľadmi na prácu, rodinu a život. Ak sa chcete pridať do fóra, napíšte nám [email protected].

Pred mesiacom som to skúsil A/B testovanie aby sme videli, ako môžu rôzne „liečby“ alebo vstupné parametre viesť k dlhšiemu spánku našich dvojčiat – a samozrejme prostredníctvom zástupcu nás. Vďaka tomu som zistil, že spánkové vzorce boli dosť nevyspytateľné a nenašiel som veľa, čo by silne korelovalo so zvýšeným spánkom. Ako čas plynul, začali vo väčšej miere prirodzene. Avšak teraz, keď dosiahli 4 mesiace, začali zjavne bežnú, ale zriedka diskutovanú fázu regresie spánku. Opäť som sa pristihla, že zúfalo túžim po ďalšom spánku. Bol som, ako poznamenal jeden z predchádzajúcich príspevkov, „hľadal som niečo nájsť, bez ohľadu na to, ako zúfalo túžim po ďalšom spánku? Áno. Áno bol som. Preto som sa obrátil na ďalšiu počítačovú techniku, strojové učenie.

Strojové učenie je oblasť počítačovej vedy, ktorá poskytuje metódy na „učenie“ počítačov alebo programov bez toho, aby im dávali diskrétne pokyny. Pri normálnom programovaní by som dal počítaču postupnosť príkazov, ktoré sa majú vykonať, a pridal by som k tomu logiku robiť rozhodnutia o tom, čo robiť, na základe vstupu, ale program by nikdy nemohol vyjsť z týchto dobre definovaných koľajnice. Aj keď tento popis znie bližšie k

Terminátor než to, ako to v skutočnosti vyzerá v praxi, strojové učenie umožňuje zobrať súbor „učiacich sa“ údajov a použiť ich na základe tvorby predpovedí. Hoci sa v technologickom priemysle stáva čoraz populárnejším, väčšinou sa používa na nákup správanie a odporúčania, AI a možno najzaujímavejšie je kategorizovať a identifikovať obrázky a umenie – prevažne podľa Google. Nepodarilo sa mi nájsť veľa prípadov, keď sa to vzťahuje na rodičovstvo.

Vďaka účtovníctvu mojej manželky a našej osobnosti typu A máme pre chlapcov podrobné záznamy o kŕmení a spánku. Pamätáte si túto tabuľku?

Pomocou týchto údajov som sa pustil do hľadania optimálnej kombinácie vstupných parametrov, v tomto prípade som sa pozrel na celkovú skonzumovanú stravu deň, čas posledného kŕmenia a množstvo posledného kŕmenia, aby sa určilo, čo by malo za následok najdlhší nočný spánok pre chlapci. A najlepšie zo všetkého bolo, že som mohol nechať počítač robiť ťažkú ​​prácu. Navyše sme mali dvakrát toľko údajov o týchto vzoroch, pretože samozrejme nemáme jedného, ​​ale 2 chlapcov.

V programovacích jazykoch je k dispozícii niekoľko skvelých knižníc pre strojové učenie. Aj keď na prácu primárne používam Javu a Javascript, vybral som si knižnicu Python sklearn, ako som ja majú oboznámenie s Pythonom a zdalo sa, že je to perfektná aplikácia pre flexibilné skriptovanie Jazyk. Existuje veľa skvelých tutoriálov pre túto knižnicu a tiež dobrá dokumentácia.

Môj kód nájdete na github v prípade záujmu.

Exportovaním údajov, ktoré sme zhromaždili z tabuľky, som extrahoval len údaje za posledný mesiac. Vzhľadom na rýchly rast a vývojové zmeny, ktorými deti prechádzajú, som cítil, že údaje za jeden mesiac – krát 2 dojčatá – sú dobrým pomerom aktuálnosti a dostatkom údajov na predpovedanie.

Skladanie a kódovanie

Dostal som aj nejaké zaujímavé štatistiky, vrátane toho, že v priemere sme chlapcov kŕmili 27,5 oz za kus deň, ukladali ich do postele najčastejšie o 7:25, nakŕmili ich 5,22 oz pred spaním a spali 9 hodín priemer. Ukázalo sa tiež, že chlapci v 75 percentách času spali vyše 10 hodín. Nie príliš zlé. Vedel som však, že s ďalšou prácou by sme to mohli zlepšiť.

Pomocou týchto údajov som bol schopný vykresliť každý parameter oproti času spánku.

Môžete vidieť, že medzi väčšinou z nich už neexistuje silná korelácia, aspoň lineárna. Najbližší je trochu lineárny – s množstvom odľahlých hodnôt – vzťah medzi celkovým jedlom a hodinami spánku. Zdá sa, že viac jedla má za následok menej spánku.

Existuje mnoho rôznych typov algoritmov strojového učenia. Tieto sa vo veľkej miere delia na lineárne a nelineárne typy. Vzal som údaje a prešiel som ich 6 pomerne široko používanými algoritmami, aby som zistil, ako presný môže byť každý z nich. Tu sú výsledky.

Alebo v piktografickejšej podobe

Tu môžete vidieť, že algo Support Vector Machine jasne fungovalo najlepšie oproti údajom, hoci rozsah je veľmi široký a priemer nie je oveľa lepší ako ostatné. Žiadna nie je ani na 50 percent, čo je dosť zlé na predpovedanie. Je to úplne spôsobené pseudonáhodnou povahou údajov. Aj s takýmito výsledkami som sa rozhodol pokročiť vpred v nádeji, že zažiarim nejakým pohľadom.

Pomocou SVM som trénoval algoritmus na vstupných dátach. Pomocou toho som teraz mohol predpovedať, koľko spánku budeme mať na základe množstva jedla prijatého za deň, kedy sme ich uložili do postele a koľko sme ich nakŕmili pri poslednom kŕmení. Napríklad, dať im 28 uncí, uložiť ich do postele o 7 a dať 6 uncí pri poslednom kŕmení by malo za následok dosť nekvalitných 8 hodín spánku.

Závery

S algoritmom, ktorý je teraz natrénovaný, som mohol s istotou predpovedať, koľko spánku budeme mať. Ešte dôležitejšie je, že som sa mohol pozrieť na tieto trendové čiary a zistiť, aký typ správania viedol k väčšiemu spánku v snahe o optimalizáciu. V rozpore s intuíciou, ísť spať skôr, s menším množstvom jedla potom a počas dňa v skutočnosti zvyšuje spánok. Je to pravdepodobne spôsobené mnohými faktormi, ale moja teória je, že menej jedla znamená menej plynu, menšie stiahnutie žalúdka pri hlade, a teda pokojnejší spánok. Koľkokrát ste sa vykašľali a potom ste sa bizarne zobudili uprostred noci od hladu?

Bohužiaľ, rovnako ako pri testovaní A/B, zdá sa, že žiadny individuálny vstup nemá silný priamy vplyv na spánok. Myslím, že ak by to tak bolo, niekto by to už objavil a zarobil by milióny. Stručne povedané, strojové učenie môže nájsť niektoré z týchto trendov a asociácií medzi premennými, čo vedie k lepším, presnejším výsledkom ako A/B testovanie alebo pokus-omyl, no výsledky sú stále ďaleko od skvelých. Z týchto údajov som mohol získať nanajvýš 41-percentnú mieru presnosti predpovedí. To znamená, že častejšie sa mýlia. Kvôli častým zmenám vo vývoji a dokonca aj rozdielom medzi chlapcami je ťažké aplikovať údaje medzi nimi. Opäť platí, že väčšia veľkosť vzorky môže pomôcť, ale v dohľadnej dobe sa nezameriavame na trojičky.

Napriek tomu sú tieto výsledky lepšie ako nič a pomáhajú demonštrovať prísľub v oblasti strojového učenia a vedy o údajoch. Pre jedného dávam prednosť rozhodovaniu na základe údajov pred pocitmi v črevách a tieto údaje, aj keď len potvrdzujú niektoré z mojich odhadov, vo mne vyvolávajú lepší pocit z nášho rodičovského prístupu.

Tyler Lund je redaktorom Otec na úteku.