ការពន្យល់អំពីការបង្កើតគំរូវដ្តបែប Bayesian៖ ហេតុអ្វីយើងបង្ហាញ Sigma មិនមែនកាលបរិច្ឆេទ

កម្មវិធីវដ្តភាគច្រើនបង្ហាញអ្នកនូវកាលបរិច្ឆេទប្រកបដោយទំនុកចិត្ត។ "រដូវ៖ ខែមីនា 14។" វាមើលទៅដូចជាការពិត។ តែជាក់ស្តែងវាគ្រាន់តែជាជម្រើស UX ដែលលាក់ការបែងចែកប្រូបាប៊ីលីតេនៅពីក្រោយលេខតែមួយ។ ការបង្កើតគំរូវដ្តបែប Bayesian ប្រើគណិតវិទ្យាដូចគ្នា ប៉ុន្តែបង្ហាញអ្នកនូវការសាយភាយ។

អត្ថបទនេះពន្យល់អំពីរបៀបដែលគណិតវិទ្យាដំណើរការពិតប្រាកដ ហេតុអ្វី Soulwise បង្ហាញ sigma ជំនួសឱ្យការធ្វើពុតថាមានភាពច្បាស់លាស់ និងថាវាមើលទៅយ៉ាងណានៅក្នុង UI ប្រចាំថ្ងៃ។

អ្វីដែលត្រូវចងចាំ

• ការធ្វើគំរូវដ្តតាមបែប Bayesian ចាប់ផ្តើមដោយ Gaussian prior ដែលពិពណ៌នាអំពីប្រវែងវដ្តរដូវធម្មតា (Soulwise ប្រើ mu=28, sigma=5) ហើយធ្វើបច្ចុប្បន្នភាព prior នោះជាមួយវដ្តថ្មីនីមួយៗដែលបានកត់ត្រា តាមរយៈ conjugate update។
• លទ្ធផលគឺជាការបែងចែកប្រូបាប៊ីលីតេ មិនមែនជាកាលបរិច្ឆេទតែមួយឡើយ។
• Soulwise បង្ហាញវាជាជួរដែលអាចកើតមាន បូកនឹងស្លាកទំនុកចិត្តមួយក្នុងចំណោមបី៖ "Likely correlation," "Weak signal," ឬ "Not enough data។" Sigma ត្រូវបានបង្ហាញដល់អ្នកប្រើ មិនមែនលាក់ទុកឡើយ។
• គំរូនេះសម្រាប់តាមដានគំរូ មិនមែនសម្រាប់ការរៀបចំផែនការគ្រួសារ ឬការពន្យារកំណើតឡើយ។

"Bayesian" មានន័យយ៉ាងណាពិតប្រាកដនៅទីនេះ

ការសន្និដ្ឋានបែប Bayesian រួមបញ្ចូលគ្នានូវរបស់ពីរ៖

• prior៖ ជំនឿចាប់ផ្តើមរបស់អ្នកអំពីប្រវែងវដ្ត មុនពេលអ្នកមានទិន្នន័យពីអ្នកប្រើប្រាស់ជាក់លាក់នេះ។
• likelihood៖ អ្វីដែលវដ្តកត់ត្រាថ្មីនីមួយៗប្រាប់អ្នក។

គុណពួកវាចូលគ្នា ធ្វើនរម៉ាល់ ហើយអ្នកនឹងទទួលបាន posterior៖ ជំនឿដែលបានធ្វើបច្ចុប្បន្នភាពរបស់អ្នក។ posterior នោះក្លាយជា prior សម្រាប់វដ្តបន្ទាប់។ គំរូនេះកាន់តែច្បាស់នៅពេលវដ្តកាន់តែច្រើនមកដល់។

Soulwise ចាប់ផ្តើមដោយ prior បែប Gaussian ដែលមានចំណុចកណ្តាលនៅ mu = 28 ថ្ងៃ ដោយមានគម្លាតស្តង់ដារ sigma = 5 ថ្ងៃ។ នោះគឺជារូបរាងប្រហាក់ប្រហែលនៃប្រវែងវដ្តនៅទូទាំងចំនួនប្រជាជនកាន់តែទូលំទូលាយ។ នៅពេលវដ្តផ្ទាល់ខ្លួនរបស់អ្នកត្រូវបានកត់ត្រា គំរូនេះនឹងផ្លាស់ប្តូរចំណុចកណ្តាលឆ្ពោះទៅរកមធ្យមភាគផ្ទាល់ខ្លួនរបស់អ្នក ហើយរឹតបន្តឹង (ឬបន្ធូរ) sigma ដោយផ្អែកលើភាពប្រែប្រួលរបស់អ្នក។

ការធ្វើបច្ចុប្បន្នភាពបែប conjugate ក្នុងកថាខណ្ឌតែមួយ

សម្រាប់ prior បែប Gaussian និង likelihood បែប Gaussian គណិតវិទ្យាបង្រួមចូលគ្នាយ៉ាងស្អាត។ ប្រសិនបើ prior របស់អ្នកនិយាយថា cycle ~ N(mu_0, sigma_0) ហើយអ្នកសង្កេតឃើញវដ្ត x_1, x_2, ..., x_n នោះ posterior ក៏ជា Gaussian ដែរ៖

posterior_mean = (mu_0 / sigma_0^2 + sum(x_i) / sigma_observed^2) / (1 / sigma_0^2 + n / sigma_observed^2)
posterior_sigma = sqrt(1 / (1 / sigma_0^2 + n / sigma_observed^2))

ការបកស្រាយ៖ កាលណាអ្នកកត់ត្រាវដ្តកាន់តែច្រើន នោះ prior កាន់តែមានសារៈសំខាន់តិច ហើយទិន្នន័យផ្ទាល់ខ្លួនរបស់អ្នកកាន់តែមានឥទ្ធិពលច្រើន។ បន្ទាប់ពីកត់ត្រាបានប្រហែល 3 វដ្ត prior នៃប្រជាជនគឺជាកត្តារួមចំណែកតូចមួយ; បន្ទាប់ពីប្រហែល 10, វាគ្រាន់តែជាសំឡេងរំខានប៉ុណ្ណោះ។

អ្វីដែលអ្នកប្រើប្រាស់មើលឃើញ

ការវិភាគបន្ទាប់ (posterior) គឺជាខ្សែកោង។ UI មិនអាចបង្ហាញខ្សែកោងនៅក្នុងការជូនដំណឹងបានទេ។ ដូច្នេះ Soulwise បង្រួមវាទៅជារបស់ពីរយ៉ាង៖

• ជួរដែលទំនងជាកើតមាន។ ចន្លោះដែលការវិភាគបន្ទាប់ដាក់ម៉ាស់ភាគច្រើនរបស់វា (ឧ. ចន្លោះកណ្តាល 68% ប្រហែល +/- 1 sigma)។
• ស្លាកកម្រិតទំនុកចិត្ត។ មួយក្នុងចំណោមស្លាកសាមញ្ញបីៈ
  • "ទំនងជាមានទំនាក់ទំនង" នៅពេល sigma តូចចង្អៀត ហើយទិន្នន័យថ្មីៗ។
  • "សញ្ញាខ្សោយ" នៅពេល sigma ធំទូលាយ ឬទិន្នន័យមានតិច។
  • "ទិន្នន័យមិនគ្រប់គ្រាន់" នៅពេលវដ្តដែលបានកត់ត្រាមានតិចជាងកម្រិតអប្បបរមារបស់គំរូ។

ដូច្នេះ ជំនួសឱ្យ "រដូវ៖ ខែមីនា 14," អ្នកប្រើប្រាស់នឹងឃើញ "ទំនងជាខែមីនា 12-16, សញ្ញាខ្សោយ។" នោះជាលទ្ធផលពិតប្រាកដនៃគំរូ មិនមែនជាការតុបតែង UX ឡើយ។

ហេតុអ្វីបានជាមិនលាក់អ្វីទាំងអស់

មានហេតុផលបី។

ភាពស្មោះត្រង់។ កម្មវិធីតាមដានលំនាំមិនអាចសន្យាកាលបរិច្ឆេទដែលវាមិនដឹងបានឡើយ។ ការបង្ហាញ sigma គឺជាមធ្យោបាយតែមួយគត់ដែលអ្នកប្រើអាចកំណត់កម្រិតនៃការទុកចិត្តបាន។

សុវត្ថិភាព។ កាលបរិច្ឆេទដែលមើលទៅមានទំនុកចិត្ត លើកទឹកចិត្តឲ្យមនុស្សរៀបចំផែនការជុំវិញវាសម្រាប់រឿងដែល app មិនអាចគាំទ្របាន រួមមានការមានគភ៌ ការពន្យារកំណើត និងការសម្រេចចិត្តផ្នែកវេជ្ជសាស្ត្រ។ ស្លាកនៃកម្រិតទំនុកចិត្តប្រាប់ថា «នេះគ្រាន់តែជាការប៉ាន់ស្មាន» ដែលជាការពិតរបស់វា។

ភាពរឹងមាំចំពោះវដ្តមិនទៀងទាត់។ PCOS អំឡុងពេលមុនអស់រដូវ វដ្តក្រោយឈប់ប្រើថ្នាំ និងការព្យាបាលដោយអ័រម៉ូន សុទ្ធតែធ្វើឲ្យ sigma កាន់តែធំ។ កម្មវិធីតាមដានបែបបុរាណ ឬមួយខុសឆ្ងាយ ឬមួយបោះបង់អ្នកប្រើដោយស្ងៀមស្ងាត់។ កម្មវិធីតាមដានបែប Bayesian គ្រាន់តែដាក់ស្លាកលើការប៉ាន់ស្មានថា «សញ្ញាខ្សោយ» ហើយបន្តដំណើរការ។

អ្វីដែលម៉ូដែលនេះមិនមែន

ដែនកំណត់រឹងមាំមួយចំនួន ត្រូវបានកត់ត្រាទុក ដើម្បីកុំឱ្យវាប្រែប្រួល៖

• វាមិនប៉ាន់ស្មានព្រឹត្តិការណ៍វដ្តជាក់លាក់ ហួសពីចន្លោះកាលបរិច្ឆេទនៃរដូវលើកក្រោយឡើយ។
• វាមិនបង្ហាញពេលវេលាសម្រាប់ការគ្រោងផែនការគ្រួសារទេ។
• វាមិនត្រូវបានរចនាឡើងសម្រាប់ករណីប្រើប្រាស់ផ្នែកការមានកូន ឬការពន្យារកំណើតឡើយ។
• វាមិនត្រូវបានបញ្ជាក់ដោយវេជ្ជសាស្ត្រ ហើយមិនជំនួសដំបូន្មានវេជ្ជសាស្ត្រសម្រាប់ការខានមករដូវ ការហូរឈាមមិនទៀងទាត់ ឬរោគសញ្ញាដែលនៅជាប់រ៉ាំរ៉ៃនោះទេ។

ដែនកំណត់ទាំងនេះ មិនមែនជាការដែលម៉ូដែលប្រុងប្រយ័ត្នខ្លាំងពេកនោះទេ។ វាជាការដែលម៉ូដែលត្រូវបានកំណត់វិសាលភាពបានត្រឹមត្រូវ។ ការប៉ាន់ស្មានរដូវ និងការប៉ាន់ស្មានការគ្រោងផែនការគ្រួសារ គឺជាបញ្ហាខុសគ្នា ដែលមានតម្រូវការទិន្នន័យខុសគ្នា និងបទដ្ឋានបទប្បញ្ញត្តិខុសគ្នា។

កន្លែងដែលគណិតវិទ្យាជួបនឹងពិធីប្រចាំថ្ងៃ

នៅក្នុង Soulwise លទ្ធផល Bayesian ផ្តល់ទិន្នន័យដល់ បរិបទដំណាក់កាលវដ្ត ដែលប្រើក្នុងការ check-in ប្រចាំថ្ងៃ។ ពិធី 20 វិនាទីសួរអ្នកថាអ្នកមានអារម្មណ៍យ៉ាងណា; ការឆ្លើយតបប្រើដំណាក់កាលវដ្តជាធាតុមួយក្នុងចំណោមប្រាំ។ ពេលដែល sigma ធំទូលាយ កាតឆ្លើយតបផ្តល់ទម្ងន់ដល់ដំណាក់កាលវដ្តតិចជាង។ ពេលដែល sigma តូចចង្អៀត វាផ្តល់ទម្ងន់ដល់ដំណាក់កាលវដ្តច្រើនជាង។ គណិតវិទ្យាសមនឹងទម្ងន់របស់វា ដោយការស្មោះត្រង់អំពីកម្រិតទំនុកចិត្តរបស់វា។

កំណែខ្លីជាង: ឧបករណ៍តាមដាន Bayesian ពិតប្រាកដបង្ហាញ sigma។ បើ app របស់អ្នកបង្ហាញកាលបរិច្ឆេទតែមួយដ៏ច្បាស់លាស់ គំរូដែលនៅខាងក្នុងអាចដូចគ្នា ប៉ុន្តែការបង្ហាញកំពុងលាក់នូវអ្វីដែលវាដឹងពិតៗ។

សំណួរញឹកញាប់

ហេតុអ្វីត្រូវប្រើគំរូ Bayesian ជំនួសឱ្យមធ្យមភាគធម្មតា?

មធ្យមភាគធម្មតាមិនគិតពីកម្រិតទំនុកចិត្តនៃការប៉ាន់ស្មាននោះទេ។ អ្នកប្រើពីរនាក់ដែលមានមធ្យមភាគ 28 ថ្ងៃដូចគ្នា អាចមានភាពប្រែប្រួលនៃវដ្តខុសគ្នាខ្លាំង។ គំរូ Bayesian តាមដានការរីករាលដាលនៃទិន្នន័យរបស់អ្នក មិនមែនត្រឹមតែចំណុចកណ្តាលនោះទេ ដូច្នេះជួរប៉ាន់ស្មានកាន់តែធំឡើងសម្រាប់វដ្តមិនទៀងទាត់ ហើយតូចចង្អៀតវិញសម្រាប់វដ្តទៀងទាត់។

តើ sigma មានន័យយ៉ាងណាពិតប្រាកដក្នុងការអនុវត្ត?

Sigma គឺជាគម្លាតគំរូនៃការបែងចែកប្រវែងវដ្ត។ Sigma តូច (តិចជាង 2 ថ្ងៃ) មានន័យថាវដ្តរបស់អ្នកប្រមូលផ្តុំជិតស្និទ្ធ; ជួរដែលអាចកើតមានគ្របដណ្តប់លើពីរបីថ្ងៃ។ Sigma ធំ (5+ ថ្ងៃ) មានន័យថាវដ្តរីករាលដាលលើមួយសប្តាហ៍ ឬច្រើនជាងនេះ ហើយ app គួរតែបញ្ជាក់បែបនេះ។

ហេតុអ្វីមិនគ្រាន់តែផ្តល់កាលបរិច្ឆេទប៉ាន់ស្មានតែមួយ?

ព្រោះគំរូនេះមិនដឹងពិតប្រាកដនូវកាលបរិច្ឆេទនោះទេ។ កាលបរិច្ឆេទតែមួយគឺជាជម្រើស UX ដែលលាក់ភាពមិនច្បាស់លាស់។ ការបង្ហាញជួរ គឺមានភាពស្មោះត្រង់ជាង ហើយត្រូវនឹងរបៀបដែលគណិតវិទ្យាដំណើរការពិតប្រាកដ។

តើនេះប៉ាន់ស្មានព្រឹត្តិការណ៍វដ្តជាក់លាក់ឬទេ?

ទេ។ ការធ្វើគំរូវដ្តបែប Bayesian ប៉ាន់ស្មានពេលដែលរដូវបន្ទាប់ទំនងជានឹងកើតឡើង។ វាមិនមែនជាឧបករណ៍សម្រាប់ការរៀបចំផែនការគ្រួសារ មិនមែនជាឧបករណ៍ពន្យារកំណើត ហើយក៏មិនមែនជាជម្រើសជំនួសវិធីសាស្ត្រដែលបានបញ្ជាក់តាមផ្នែកវេជ្ជសាស្ត្រនោះទេ។