Bebek İkizlerimin Uykusunu İyileştirmek İçin Veri Bilimini Kullanma

Aşağıdakiler sendikasyondan alındı: Orta için Baba Forumu, iş, aile ve yaşam hakkında içgörüleri olan bir ebeveynler ve etkileyiciler topluluğu. Foruma katılmak isterseniz, bize bir satır bırakın [email protected].

Bir ay önce denedim A/B testi farklı "tedavilerin" veya girdi parametrelerinin ikizlerimiz için daha uzun uykuyla nasıl sonuçlanabileceğini görmek için - ve tabii ki vekaleten bizim için. Bu sayede, uyku düzenlerinin oldukça düzensiz olduğunu ve artan uykuyla güçlü bir şekilde ilişkili olan pek bir şey bulamadığımı keşfettim. Zaman geçtikçe, daha büyük ölçüde doğal olarak kendi başlarına başladılar. Ancak, artık 4 aya ulaştıklarından, görünüşte yaygın ancak nadiren tartışılan uyku gerileme evresine başladılar. Bir kez daha kendimi daha fazla uyku için çaresiz buldum. Bir önceki gönderiye yapılan yorumda belirtildiği gibi, “daha ​​fazla uyku için ne kadar çaresiz olursa olsun bir şey bulmaya mı çalışıyordum?” Evet. Evet bendim. Bu nedenle, başka bir bilgisayar bilimi tekniğine, makine öğrenimine döndüm.

Makine öğrenimi, bilgisayar bilimi içinde, bilgisayarlara veya programlara ayrı talimatlar vermeden "öğretme" yöntemleri sağlayan bir alandır. Normal programlamada, bilgisayara yürütmesi için bir dizi komut verirdim, Girdilere dayalı olarak ne yapılacağına karar verir, ancak program asla bu iyi tanımlanmış olanlardan çıkamaz. raylar. Bu açıklama kulağa daha yakın gelse de sonlandırıcı pratikte göründüğünden çok, makine öğrenimi, bir kişinin bir dizi “öğrenme” verisi almasına ve bunu tahminlerde bulunmak için kullanmasına izin verir. Teknoloji endüstrisinde giderek daha popüler hale gelmesine rağmen, çoğunlukla satın alma işlemlerine bakmak için kullanılmıştır. davranış ve tavsiyeler, yapay zeka ve belki de en ilginç olanı, resimleri ve sanatı kategorize etmek ve tanımlamak - büyük ölçüde Google. Ebeveynliğe uygulandığı pek çok örnek bulamadım.

Eşimin muhasebe geçmişi ve A tipi kişiliğimiz sayesinde erkek çocukların beslenme ve uyku davranışlarına ilişkin ayrıntılı kayıtlarımız var. Bu e-tabloyu hatırlıyor musunuz?

Bu verileri kullanarak, girdi parametrelerinin optimal kombinasyonunu bulmaya koyuldum, bu durumda tüketilen toplam yiyeceğe baktım. en uzun gece uykusuna neyin yol açacağını belirlemek için gün, son beslenme zamanı ve son beslenme miktarı. çocuklar. Ve hepsinden önemlisi, zor işi bilgisayarın yapmasına izin verebilirdim. Ayrıca, bu kalıplarla ilgili iki kat daha fazla veriye sahibiz çünkü elbette bir değil 2 erkek çocuğumuz var.

Programlama dillerinde makine öğrenimi için birçok harika kitaplık mevcuttur. İş için öncelikli olarak Java ve Javascript kullanmama rağmen, Python kitaplığı sklearn'i seçtim. Python'a aşinalık var ve bu esnek komut dosyası oluşturma için mükemmel bir uygulama gibi görünüyordu dilim. Bu kitaplık ve iyi belgeler için birçok harika öğretici var.

Kodumu adresinde bulabilirsiniz. github eğer ilgileniyorsanız.

E-tablodan topladığımız verileri dışa aktararak, yalnızca geçen ayın veri noktalarını çıkardım. Bebeklerin yaşadığı hızlı büyüme ve gelişimsel değişiklikler nedeniyle, bir aylık verinin - 2 bebek katının - iyi bir yakın zaman dengesi ve bir tahmin yapmak için yeterli veri olduğunu hissettim.

Bir araya getirmek ve kodlamak

Ayrıca erkekleri ortalama olarak 27.5 oz beslediğimiz de dahil olmak üzere ilginç bazı istatistikler aldım. gün, onları en sık 7:25'te yatırın, yatmadan önce 5,22 oz besleyin ve 9 saat uyudular. ortalama. Ayrıca erkeklerin zamanın yüzde 75'inde 10 saatten fazla uyudukları ortaya çıktı. Çok kötü değil. Ama biraz daha çalışarak bunu geliştirebileceğimizi biliyordum.

Bu verileri kullanarak, her parametreyi uyku süresine göre çizebildim.

Zaten bunların çoğu arasında en azından doğrusal olan güçlü bir korelasyon olmadığını görebilirsiniz. En yakını, toplam yemek ve uyku saatleri arasındaki bir şekilde doğrusal - çok sayıda aykırı değerle - ilişkidir. Garip bir şekilde daha fazla yemek daha az uykuyla sonuçlanıyor gibi görünüyor.

Birçok farklı türde makine öğrenme algoritması vardır. Bunlar büyük ölçüde doğrusal ve doğrusal olmayan türlere ayrılır. Verileri aldım ve her birinin ne kadar doğru olabileceğini görmek için oldukça yaygın olarak kullanılan 6 algoritmadan geçirdim. Sonuçlar burada.

Veya daha piktografik bir biçimde

Burada Destek Vektör Makinesi algoritmasının verilere karşı en iyi performansı gösterdiğini görebilirsiniz, ancak aralık çok geniştir ve ortalama diğerlerinden çok daha iyi değildir. Hiçbiri yüzde 50 bile değil ki bu tahmin etmek için oldukça zayıf. Bu tamamen verilerin sözde rastgele doğasından kaynaklanmaktadır. Bu tür sonuçlarla bile, herhangi bir içgörünün parıldamasını umarak ilerlemeye karar verdim.

SVM kullanarak, giriş verileri üzerinde algoritmayı eğittim. Bunu kullanarak, bir günde alınan yiyecek miktarına, onları ne zaman yatağa koyduğumuza ve son beslenmede ne kadar beslediğimize bağlı olarak artık ne kadar uyuyacağımızı tahmin edebiliyordum. Örneğin, onlara 28 ons vermek, onları 7'de yatağa koymak ve bu son beslenmede 6 ons vermek, 8 saatlik oldukça zayıf bir uyku ile sonuçlanacaktır.

Sonuçlar

Algoritma artık eğitilmişken, ne kadar uyuyacağımızı kesin olarak tahmin edebiliyordum. Daha da önemlisi, bunların trend çizgilerine bakabilir ve optimize etme girişiminde ne tür davranışların daha fazla uykuya yol açtığını görebilirdim. Sezgisel bir şekilde, daha az yemekle ve gün boyunca daha erken yatmak aslında uykuyu artırdı. Bu muhtemelen birçok faktörden kaynaklanıyor ama benim teorim, daha az yemek daha az gaz, açken daha az mide küçülmesi ve dolayısıyla daha dinlendirici uyku anlamına geliyor. Kaç kez dışarı çıktın ve sonra gecenin bir yarısı açlıktan tuhaf bir şekilde uyandın?

Ne yazık ki, A/B testinde olduğu gibi, tek bir girdinin uyku üzerinde güçlü bir doğrudan girdisi yok gibi görünüyor. Sanırım öyle olsaydı birileri onu çoktan keşfederdi ve milyonlar kazanırdı. Birlikte ele alındığında, makine öğrenimi, değişkenler arasındaki bu eğilimlerden ve ilişkilerden bazılarını bulabilir. A/B testinden veya deneme yanılmadan daha iyi, daha doğru sonuçlar elde etmek için, ancak sonuçlar hala harika olmaktan çok uzak. Bu verilerden en fazla yüzde 41 doğruluk oranıyla tahminler elde edebildim. Bu, çoğu zaman yanlış oldukları anlamına gelir. Gelişimdeki sık değişiklikler ve hatta erkekler arasındaki farklılıklar nedeniyle, onlara veri uygulamak zordur. Yine, daha büyük bir örneklem büyüklüğü yardımcı olabilir, ancak yakın zamanda üçüzleri hedeflemiyoruz.

Yine de, bu sonuçlar hiç yoktan iyidir ve makine öğrenimi ve veri bilimi alanının vaadini göstermeye yardımcı olur. Ben şahsen içgüdüsel duygular yerine verilerden kararlar almayı tercih ederim ve bu veriler sadece bazı tahminlerimi doğrulamak bile ebeveynlik yaklaşımımız konusunda kendimi daha iyi hissetmemi sağlıyor.

Tyler Lund editörüdür. Baba Koşarken.