बेझियन सायकल मॉडेलिंग समजावून: आम्ही तारीख नाही, सिग्मा का दाखवतो

बहुतेक सायकल app तुम्हाला आत्मविश्वासाने एक तारीख दाखवतात. "पिरियड: मार्च 14." ते एखाद्या तथ्यासारखं वाटतं. पण खरं तर ती एक UX निवड आहे — एका आकड्यामागे संभाव्यतेचं वितरण लपवणारी. बेझियन सायकल मॉडेलिंग तेच गणित करतं, पण तुम्हाला त्यातला पसरावसुद्धा दाखवतं.

ही पोस्ट सांगते की हे गणित प्रत्यक्षात कसं चालतं, Soulwise खात्रीचं नाटक करण्याऐवजी सिग्मा का समोर आणतं, आणि रोजच्या UI मध्ये ते कसं दिसतं.

काय लक्षात ठेवावं

• Bayesian cycle modeling सुरू होतं एका Gaussian prior पासून, जो ठराविक मासिक पाळीच्या चक्राची लांबी दर्शवतो (Soulwise mu=28, sigma=5 वापरतं) आणि नव्याने नोंदवलेल्या प्रत्येक चक्रासह तो prior conjugate update द्वारे अपडेट करतो.
• याचं उत्तर एखादी एकच तारीख नसून एक probability distribution असतं.
• Soulwise हे एका संभाव्य रेंजसह तीनपैकी एक confidence label म्हणून दाखवतं: "Likely correlation," "Weak signal," किंवा "Not enough data." Sigma तुम्हाला दाखवली जाते, लपवली जात नाही.
• हे मॉडेल पॅटर्न ट्रॅकिंगसाठी आहे, family planning किंवा गर्भनिरोधनासाठी नाही.

इथे "Bayesian" चा खरा अर्थ काय

Bayesian inference दोन गोष्टी एकत्र करते:

• एक prior: या विशिष्ट वापरकर्त्याचा डेटा मिळण्याआधी सायकल लांबीबद्दलची तुमची सुरुवातीची समजूत.
• एक likelihood: प्रत्येक नवीन नोंदवलेली सायकल तुम्हाला काय सांगते.

या दोन्हींचा गुणाकार करा, normalize करा, आणि तुम्हाला मिळतो posterior: तुमची अद्ययावत समजूत. तोच posterior पुढच्या सायकलसाठी prior बनतो. जसजशा अधिक सायकल येतात, तसतसे मॉडेल अधिक अचूक होते.

Soulwise सुरुवात करते एका Gaussian prior पासून, जो mu = 28 दिवस वर केंद्रित असतो आणि ज्याचे standard deviation sigma = 5 दिवस असते. व्यापक लोकसंख्येमधील सायकल लांबीचा हा ढोबळ आकार आहे. जसजशा तुमच्या स्वतःच्या सायकल नोंदवल्या जातात, तसतसे मॉडेल केंद्र तुमच्या वैयक्तिक सरासरीकडे सरकवते आणि तुमच्या variability नुसार sigma आवळते (किंवा सैल करते).

संयुग्म (conjugate) अपडेट, एका परिच्छेदात

गॉसियन prior आणि गॉसियन likelihood असेल, तेव्हा गणित छान सोपं होतं. तुमचा prior cycle ~ N(mu_0, sigma_0) असं सांगत असेल आणि तुम्ही x_1, x_2, ..., x_n सायकल पाहिल्या, तर posterior देखील गॉसियन असतो:

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))

अर्थ: तुम्ही जितक्या जास्त सायकल नोंदवाल, तितका prior कमी महत्त्वाचा ठरतो आणि तुमचा वैयक्तिक डेटा अधिक प्रभावी होतो. साधारण 3 नोंदवलेल्या सायकलनंतर लोकसंख्येचा prior फारच थोडा वाटा उचलतो; साधारण 10, नंतर तो केवळ noise राहतो.

वापरकर्त्याला काय दिसते

पोस्टेरियर हे एक वक्र असते. UI मध्ये नोटिफिकेशनमध्ये वक्र दाखवता येत नाही. म्हणून Soulwise त्याला दोन गोष्टींमध्ये संक्षिप्त करते:

• एक संभाव्य पल्ला. ज्या भागात पोस्टेरियरचे बहुतांश वजन असते (उदा., मध्यवर्ती 68% अंतराल, साधारण +/- 1 सिग्मा).
• एक विश्वासार्हता लेबल. तीन सोप्या-इंग्रजी टॅगपैकी एक:
  • "Likely correlation" — जेव्हा सिग्मा घट्ट असतो आणि डेटा अलीकडचा असतो.
  • "Weak signal" — जेव्हा सिग्मा रुंद असतो किंवा डेटा विरळ असतो.
  • "Not enough data" — जेव्हा मॉडेलच्या किमान नोंदवलेल्या सायकलपेक्षा कमी डेटा उपलब्ध असतो.

म्हणजे "Period: March 14," असे दाखवण्याऐवजी वापरकर्त्याला "Likely March 12-16, weak signal." असे दिसते. हे मॉडेलचे प्रत्यक्ष आउटपुट आहे, कोणतीही UX सजावट नाही.

काहीच का लपवू नये

तीन कारणं.

प्रामाणिकपणा. पॅटर्न ट्रॅकर ज्या तारखेची माहिती त्याला नाही, तिचं वचन देऊ शकत नाही. sigma समोर मांडणं हाच एकमेव मार्ग आहे ज्याने वापरकर्ता विश्वास किती ठेवायचा हे ठरवू शकतो.

सुरक्षितता. आत्मविश्वासाने दिसणारी तारीख लोकांना त्याभोवती नियोजन करायला प्रवृत्त करते — गर्भधारणा, गर्भनिरोध आणि वैद्यकीय निर्णय यांसारख्या गोष्टींसाठी, ज्यांना app आधार देऊ शकत नाही. कॉन्फिडन्स लेबल सांगतं की "हा एक अंदाज आहे," आणि तो तसाच आहे.

अनियमित सायकलमध्येही भक्कमपणा. PCOS, perimenopause, गोळ्या बंद केल्यानंतरच्या सायकल आणि हार्मोन थेरपी या सगळ्या sigma रुंदावतात. पारंपरिक ट्रॅकर एकतर खूप चुकतो किंवा वापरकर्त्याला गुपचूप सोडून देतो. Bayesian ट्रॅकर फक्त अंदाजाला "weak signal" असं लेबल लावतो आणि काम करत राहतो.

हे मॉडेल काय नाही

काही ठाम मर्यादा, इथे लिहून ठेवल्या आहेत जेणेकरून त्या बदलू नयेत:

• ते पुढच्या पाळीच्या तारखेच्या श्रेणीपलीकडील विशिष्ट सायकल घटनांचा अंदाज देत नाही.
• ते कुटुंबनियोजनाची विंडो दाखवत नाही.
• ते गर्भधारणा किंवा गर्भनिरोधक अशा वापरासाठी तयार केलेले नाही.
• ते वैद्यकीयदृष्ट्या प्रमाणित नाही आणि चुकलेली पाळी, अनियमित रक्तस्राव किंवा सततच्या लक्षणांसाठी वैद्यकीय सल्ल्याची जागा घेत नाही.

या मर्यादा म्हणजे मॉडेल सावध आहे असे नाही. या मर्यादा म्हणजे मॉडेलची व्याप्ती योग्य प्रकारे ठरवलेली आहे. पाळीचा अंदाज आणि कुटुंबनियोजनाचा अंदाज या वेगळ्या समस्या आहेत — त्यांना वेगळा डेटा लागतो आणि वेगळे नियामक निकष लागू होतात.

जिथे गणित रोजच्या सवयीला भेटतं

Soulwise मध्ये, Bayesian आउटपुट हे रोजच्या check-in मध्ये वापरल्या जाणाऱ्या सायकल-फेज संदर्भात मिसळतं. 20-सेकंदाची ही सवय तुम्हाला कसं वाटतंय हे विचारते; त्या उत्तरात सायकल फेज हा पाच इनपुटपैकी एक असतो. जेव्हा sigma रुंद असतो, तेव्हा रिस्पॉन्स कार्ड सायकल फेजला कमी वजन देतं. जेव्हा sigma घट्ट असतो, तेव्हा ते सायकल फेजला जास्त वजन देतं. आपण किती खात्रीशीर आहोत याबाबत प्रामाणिक राहून गणित आपलं वजन कमावतं.

थोडक्यात: खरा Bayesian ट्रॅकर sigma समोर आणतो. जर तुमचं app एकच खात्रीशीर तारीख दाखवत असेल, तर आतलं मॉडेल कदाचित तेच असेल, पण मांडणी मात्र त्याला खरंच काय माहीत आहे हे लपवत असते.

नेहमीचे प्रश्न

साध्या सरासरीऐवजी Bayesian मॉडेल का वापरावे?

साधी सरासरी अंदाज किती विश्वासार्ह आहे याकडे दुर्लक्ष करते. 28-दिवसांची सारखीच सरासरी असलेल्या दोन वापरकर्त्यांच्या सायकलमधील चढ-उतार खूप वेगळे असू शकतात. Bayesian मॉडेल फक्त मध्यबिंदू नव्हे, तर तुमच्या डेटाचा पसारादेखील लक्षात घेतात. त्यामुळे अनियमित सायकलसाठी अंदाजित श्रेणी रुंदावते आणि नियमित सायकलसाठी आकुंचित होते.

सिग्मा प्रत्यक्षात नेमका काय दर्शवतो?

सिग्मा म्हणजे सायकल-लांबीच्या वितरणाचे प्रमाणित विचलन (standard deviation). लहान सिग्मा (2 दिवसांपेक्षा कमी) म्हणजे तुमच्या सायकल जवळजवळ एकत्र आहेत; संभाव्य श्रेणी काही दिवसांची असते. मोठा सिग्मा (5+ दिवस) म्हणजे सायकल आठवडाभर किंवा त्याहून अधिक पसरलेल्या असतात, आणि app ने तसे सांगायला हवे.

फक्त एकच अंदाजित तारीख का देत नाही?

कारण मॉडेलला प्रत्यक्षात एकच तारीख माहीत नसते. एकच तारीख देणे ही एक UX निवड आहे जी अनिश्चितता लपवते. श्रेणी समोर ठेवणे अधिक प्रामाणिक आहे आणि गणित प्रत्यक्षात कसे काम करते त्याच्याशी जुळते.

हे विशिष्ट सायकल घटनांचा अंदाज लावते का?

नाही. Bayesian सायकल मॉडेलिंग पुढील पाळी कधी येण्याची शक्यता आहे याचा अंदाज लावते. हे कुटुंब-नियोजनाचे साधन नाही, गर्भनिरोधाचे साधन नाही आणि वैद्यकीयदृष्ट्या सिद्ध झालेल्या पद्धतींना पर्यायही नाही.