Korišćenje nauke o podacima za poboljšanje sna mojih beba blizanaca

Sledeće je sindicirano iz Srednje за Otački forum, zajednica roditelja i uticajnih ljudi sa uvidima o poslu, porodici i životu. Ako želite da se pridružite forumu, javite nam se na [email protected].

Pre mesec dana sam pokušao A/B testiranje da vidimo kako različiti „tretmani“ ili ulazni parametri mogu da dovedu do dužeg sna za naše blizance – i naravno preko proksija, nas. Kroz ovo sam otkrio da su obrasci spavanja prilično nepravilni i da nisam otkrio mnogo toga što je u snažnoj korelaciji sa povećanim snom. Kako je vreme prolazilo, počeli su sve više sami od sebe. Međutim, sada kada su navršili 4 meseca, započeli su naizgled uobičajenu, ali retko razmatranu fazu regresije sna. Ponovo sam se našao očajnički za još sna. Da li sam, kao što je jedan komentar na prethodni post istakao, „tražio da pronađem bilo šta, bez obzira koliko očajnički tražio više sna?“ Да. Da, bio sam. Stoga sam se okrenuo drugoj informatičkoj tehnici, mašinskom učenju.

Mašinsko učenje je oblast računarske nauke koja obezbeđuje metode za „podučavanje“ računara ili programa bez davanja diskretnih instrukcija. U normalnom programiranju, dao bih računaru niz komandi koje treba izvršiti, ubacujući logiku donose odluke o tome šta da rade na osnovu unosa, ali program nikada ne bi mogao da ode od ovih dobro definisanih šine. Iako ovaj opis zvuči bliže

Terminator nego kako to zapravo izgleda u praksi, mašinsko učenje omogućava uzimanje skupa podataka za „učenje“ i njihovo korišćenje kao osnovu za predviđanje. Iako postaje sve popularniji u tehnološkoj industriji, uglavnom se koristi za kupovinu ponašanje i preporuke, AI, i možda najinteresantnije, da kategoriše i identifikuje slike i umetnost — uglavnom Google. Nisam mogao da pronađem mnogo slučajeva da se to primenjuje na roditeljstvo.

Zahvaljujući računovodstvenom obrazovanju moje žene i našim ličnostima tipa A, imamo detaljnu evidenciju o ponašanju dečaka u hranjenju i spavanju. Sećate se ove tabele?

Koristeći ove podatke, krenuo sam da pronađem optimalnu kombinaciju ulaznih parametara, u ovom slučaju pogledao sam ukupnu potrošenu hranu u dan, vreme poslednjeg hranjenja i količina poslednjeg hranjenja, kako bi se utvrdilo šta bi rezultiralo najdužim noćnim snom za децаци. I najbolje od svega što sam mogao da pustim kompjuter da radi težak posao. Plus, imali smo duplo više podataka o ovim obrascima jer naravno imamo ne jednog nego 2 dečaka.

Postoji nekoliko sjajnih biblioteka za mašinsko učenje koje su dostupne u svim programskim jezicima. Iako prvenstveno koristim Java i Javascript za posao, izabrao sam Python biblioteku sklearn, jer sam upoznati sa Python-om i ovo se činilo savršenom aplikacijom za fleksibilno pisanje skriptova Језик. Postoji mnogo sjajnih tutorijala za ovu biblioteku, kao i dobra dokumentacija.

Možete pronaći moj kod na github ako je zainteresovan.

Izvozeći podatke koje smo prikupili iz tabele, izdvojio sam podatke za samo prošli mesec. Zbog brzog rasta i razvojnih promena kroz koje deca prolaze, osećao sam da su podaci za mesec dana — puta 2 bebe — dobar balans nedavnosti i dovoljno podataka za predviđanje.

Sastavljanje i kodiranje

Takođe sam dobio neke statističke podatke koji su bili zanimljivi uključujući da smo u proseku hranili dečake 27,5 oz po dana, stavljali ih u krevet najčešće u 7:25, hranili ih 5,22 oz pred spavanje, a spavali su 9 sati na просек. Takođe se ispostavilo da su dečaci 75 odsto vremena spavali preko 10 sati. Није тако лоше. Ali znao sam da uz još malo rada možemo ovo poboljšati.

Koristeći ove podatke, uspeo sam da nacrtam svaki parametar u odnosu na vreme mirovanja.

Možete videti da već ne postoji jaka korelacija, barem linearna između većine ovih. Najbliži je donekle linearan - sa puno odstupanja - odnos između ukupne hrane i sati sna. Čudno, čini se da više hrane dovodi do manje sna.

Postoji mnogo različitih tipova algoritama mašinskog učenja. One se uglavnom dele na linearne i nelinearne tipove. Uzeo sam podatke i prošao ih kroz 6 prilično široko korišćenih algoritama da vidim koliko bi svaki mogao biti tačan. Evo rezultata.

Ili u više piktografskom obliku

Ovde možete videti da je algo Support Vector Machine jasno pokazao najbolje rezultate u odnosu na podatke, iako je opseg veoma širok i srednja vrednost nije mnogo bolja od ostalih. Nijedan nije čak ni na 50 posto, što je prilično loše za predviđanje. Ovo je u potpunosti zbog pseudo-slučajne prirode podataka. Čak i sa takvim rezultatima, odlučio sam da idem dalje, nadajući se da ću imati bilo kakav uvid.

Koristeći SVM, trenirao sam algoritam na ulaznim podacima. Koristeći ovo, sada bih mogao da predvidim koliko ćemo spavati na osnovu količine hrane koju uzimamo u toku dana, kada smo ih stavili u krevet i koliko smo ih hranili pri poslednjem hranjenju. Na primer, davanje im 28 unci, stavljanje u krevet u 7 i davanje 6 unci pri tom poslednjem hranjenju rezultiralo bi prilično lošim 8 sati sna.

Zaključci

Sa sada obučenim algoritmom, mogao sam sa sigurnošću da predvidim koliko ćemo spavati. Što je još važnije, mogao sam da pogledam linije trenda za njih i vidim koja vrsta ponašanja je dovela do više sna u pokušaju optimizacije. Kontraintuitivno, ranije odlazak u krevet, sa manje hrane tada i tokom dana zapravo je povećao san. Ovo je verovatno zbog mnogih faktora, ali moja teorija je da manje hrane znači manje gasova, manje skupljanje stomaka kada smo gladni, a samim tim i mirniji san. Koliko puta ste se izgladnjivali, a zatim bizarno probudili usred noći?

Nažalost, baš kao i kod A/B testiranja, čini se da nijedan pojedinačni unos nema jak direktan ulaz u stanje spavanja. Pretpostavljam da bi neko to već otkrio i zaradio milione da jeste. Uzeto zajedno, mašinsko učenje može pronaći neke od ovih trendova i asocijacija između varijabli, što vodi do boljih, tačnijih rezultata od A/B testiranja ili pokušaja i grešaka, ali rezultati su i dalje daleko od sjajnih. Iz ovih podataka, najviše bih mogao dobiti stopu tačnosti predviđanja od 41 posto. To znači da češće greše. Zbog čestih promena u razvoju, pa čak i razlika među dečacima, teško je primeniti podatke na njih. Opet, veća veličina uzorka bi mogla da pomogne, ali mi ne ciljamo na trojke u skorije vreme.

Ipak, ovi rezultati su bolji nego ništa i pomažu da se pokaže obećanje u oblasti mašinskog učenja i nauke o podacima. Ja, na primer, više volim da donosim odluke na osnovu podataka a ne osećaja, a ovi podaci čak i samo potvrđujući neke od mojih nagađanja čine da se osećam bolje u vezi sa našim pristupom roditeljstvu.

Tajler Lund je urednik Tata u bekstvu.