Uporaba podatkovne znanosti za izboljšanje spanja mojih dvojčkov

Naslednje je bilo sindicirano iz srednje za Očetovski forum, skupnost staršev in vplivnežev z vpogledi v delo, družino in življenje. Če se želite pridružiti forumu, nam pišite na [email protected].

Pred mesecem dni sem poskusil A/B testiranje da bi videli, kako lahko različni "tretmaji" ali vhodni parametri povzročijo daljši spanec za naše dvojčke - in seveda po proxyju, nas. S tem sem ugotovil, da so vzorci spanja precej nepravilni in nisem ugotovil veliko, kar bi močno koreliralo s povečanim spanjem. Sčasoma so začeli večinoma sami. Vendar pa so zdaj, ko so dopolnili 4 mesece, začeli z navidezno običajno, a redko obravnavano fazo regresije spanja. Spet sem obupano potreboval več spanca. Ali sem, kot je poudaril nekdo, ki je komentiral prejšnjo objavo, »iskal kaj, ne glede na to, kako obupno potrebujem več spanca?« da. Ja sem bil. Zato sem se obrnil na drugo tehniko računalništva, strojno učenje.

Strojno učenje je področje računalništva, ki ponuja metode za "poučevanje" računalnikov ali programov, ne da bi jim dali diskretna navodila. Pri običajnem programiranju bi računalniku dal zaporedje ukazov, ki jih je treba izvesti, pri čemer bi mu dodal logiko sprejemati odločitve o tem, kaj storiti na podlagi vnosa, vendar program nikoli ne bi mogel izstopiti iz teh dobro opredeljenih tirnice. Čeprav se ta opis sliši bližje

Terminator kot to dejansko izgleda v praksi, strojno učenje omogoča, da vzamemo niz »učnih« podatkov in jih uporabimo za osnovo za napovedovanje. Čeprav postaja vse bolj priljubljena v tehnološki industriji, se večinoma uporablja za nakupovanje vedenje in priporočila, umetna inteligenca, in morda najbolj zanimivo, za kategorizacijo in prepoznavanje slik in umetnosti – večinoma z Google. Nisem našel veliko primerov, da bi se to uporabljalo za starševstvo.

Zahvaljujoč računovodskemu ozadju moje žene in naši osebnosti tipa A imamo podrobne zapise o vedenju pri hranjenju in spanju za fante. Se spomnite te preglednice?

S temi podatki sem se odločil poiskati optimalno kombinacijo vhodnih parametrov, v tem primeru sem pogledal skupno zaužito hrano v dan, čas zadnjega hranjenja in količino zadnjega hranjenja, da ugotovite, kaj bi povzročilo najdaljši nočni spanec za fantje. Najboljše od vsega pa je bilo, da sem računalniku pustil, da opravi težko delo. Poleg tega smo imeli dvakrat več podatkov o teh vzorcih, ker seveda nimamo enega, ampak 2 fanta.

V programskih jezikih je na voljo več odličnih knjižnic za strojno učenje. Čeprav za delo uporabljam predvsem Javo in Javascript, sem izbral knjižnico Python sklearn, saj sem poznajo Python in to se je zdelo popolna aplikacija za prilagodljivo pisanje skriptov jezik. Obstaja veliko odličnih vadnic za to knjižnico in tudi dobra dokumentacija.

Mojo kodo lahko najdete na github če vas zanima.

Ko sem izvažal podatke, ki smo jih zbrali iz preglednice, sem izvlekel podatkovne točke v zadnjem mesecu. Zaradi hitre rasti in razvojnih sprememb, skozi katere gredo dojenčki, sem menil, da so podatki za en mesec – krat 2 dojenčka – dobro ravnovesje nedavnosti in dovolj podatkov za napovedovanje.

Sestavite in kodirajte

Dobil sem tudi nekaj zanimivih statistik, vključno s tem, da smo fante v povprečju hranili s 27,5 oz dan, jih najpogosteje dali spat ob 7:25, pred spanjem jih nahranili 5,22 oz in spali so 9 ur povprečno. Izkazalo se je tudi, da so fantje 75 odstotkov časa spali več kot 10 ur. Ni preslabo. Vedel pa sem, da lahko z nekaj več dela to izboljšamo.

Z uporabo teh podatkov sem lahko vsak parameter narisal glede na čas spanja.

Vidite lahko, da med večino od teh že ni močne korelacije, vsaj linearne. Najbližje je razmerje med celotno hrano in urami spanja, ki je nekoliko linearno – z veliko izstopanji. Nenavadno se zdi, da več hrane povzroči manj spanca.

Obstaja veliko različnih vrst algoritmov strojnega učenja. Te so večinoma razvrščene na linearne in nelinearne vrste. Vzel sem podatke in jih pognal skozi 6 dokaj široko uporabljenih algoritmov, da bi videl, kako natančen bi lahko bil vsak. Tukaj so rezultati.

Ali v bolj piktografski obliki

Tukaj lahko vidite, da se je algo Support Vector Machine očitno najbolje obnesel s podatki, čeprav je razpon zelo širok in povprečje ni veliko boljše od drugih. Nobena ni niti pri 50 odstotkih, kar je precej slabo za napovedovanje. To je v celoti posledica psevdonaključne narave podatkov. Kljub takšnim rezultatom sem se odločil, da grem naprej, v upanju, da bom sploh dobil kakšen vpogled.

S pomočjo SVM sem usposobil algoritem na vhodnih podatkih. S tem sem lahko zdaj napovedal, koliko bomo spali glede na količino hrane, ki jo zaužijemo na dan, ko smo jih položili spat, in koliko smo jih nahranili ob zadnjem hranjenju. Na primer, če bi jim dali 28 unč, jih dali v posteljo ob 7 in dali 6 unč ob zadnjem hranjenju, bi to povzročilo dokaj slabih 8 ur spanja.

Zaključki

Z zdaj izurjenim algoritmom sem lahko z gotovostjo napovedal, koliko bomo spali. Še pomembneje je, da bi lahko pogledal trendne črte za te in videl, kakšno vedenje je pri poskusu optimizacije povzročilo več spanja. Nasprotno, zgodnejši odhod spat, z manj hrane takrat in ves dan je dejansko povečal spanec. To je verjetno posledica številnih dejavnikov, vendar moja teorija pravi, da manj hrane pomeni manj plina, manj krčenja želodca, ko smo lačni, in zato bolj miren spanec. Kolikokrat ste se že izlili in se nato nenavadno zbudili sredi noči in sestradani?

Na žalost, tako kot pri testiranju A/B, se zdi, da noben posamezen vnos nima močnega neposrednega vpliva na spanje. Predvidevam, da bi ga nekdo že odkril, če bi to storil, in bi zaslužil milijone. Strojno učenje skupaj lahko najde nekatere od teh trendov in povezav med spremenljivkami, kar vodi do boljših, natančnejših rezultatov od A/B testiranja ali poskusov in napak, vendar rezultati še zdaleč niso odlični. Iz teh podatkov bi lahko dobil kvečjemu 41-odstotno stopnjo natančnosti napovedi. To pomeni, da se pogosteje motijo. Zaradi pogostih sprememb v razvoju in celo razlik med fanti je težko uporabiti podatke med njimi. Ponovno bi lahko pomagala večja velikost vzorca, vendar ne nameravamo kmalu imeti trojčkov.

Kljub temu so ti rezultati boljši kot nič in pomagajo prikazati obljubo področja strojnega učenja in podatkovne znanosti. Sama se raje odločam na podlagi podatkov kot občutkov in ti podatki, ki celo samo potrjujejo nekatera moja ugibanja, mi pomagajo, da se bolje počutim glede našega starševskega pristopa.

Tyler Lund je urednik Oče na begu.