Bayesian Cycle Modeling ရှင်းလင်းချက်- ရက်စွဲတစ်ခုအစား Sigma ကို ဘာကြောင့်ပြသသလဲ

သံသရာဆိုင်ရာ app အများစုက သင့်ကို ယုံကြည်မှုအပြည့်ဖြင့် ရက်စွဲတစ်ခု ပြသပါသည်။ "Period- March 14။" ၎င်းသည် အချက်အလက်တစ်ခုလို ထင်ရပါသည်။ အမှန်တကယ်တွင် ဂဏန်းတစ်လုံးနောက်ကွယ်တွင် probability distribution ကို ဖုံးကွယ်ထားသော UX ရွေးချယ်မှုတစ်ခုသာ ဖြစ်ပါသည်။ Bayesian cycle modeling သည် တူညီသော သင်္ချာတွက်ချက်မှုကို ပြုလုပ်သော်လည်း ပြန့်နှံ့မှု (spread) ကို သင့်အား ပြသပေးပါသည်။

ဤပို့စ်တွင် သင်္ချာက အမှန်တကယ် မည်သို့အလုပ်လုပ်သည်၊ Soulwise က သေချာသယောင် ဟန်ဆောင်မည့်အစား sigma ကို အဘယ်ကြောင့် ဖော်ပြသည်၊ ၎င်းကို နေ့စဉ် UI တွင် မည်သို့မြင်ရမည်ဆိုသည်တို့ကို ရှင်းပြထားပါသည်။

မှတ်သားရန်

• Bayesian သံသရာ မော်ဒယ်ပြုလုပ်ခြင်းသည် ပုံမှန် ဓမ္မတာ သံသရာ ကြာချိန်ကို ဖော်ပြသော Gaussian prior ဖြင့် စတင်ပြီး (Soulwise က mu=28, sigma=5 သုံးသည်) သံသရာ အသစ်တစ်ခုစီ မှတ်တမ်းတင်တိုင်း conjugate update ဖြင့် ထို prior ကို အပ်ဒိတ်လုပ်ပါသည်။
• ရလဒ်သည် ရက်စွဲတစ်ခုတည်းမဟုတ်ဘဲ ဖြစ်နိုင်ခြေ ဖြန့်ဝေမှု ဖြစ်ပါသည်။
• Soulwise က ၎င်းကို ဖြစ်နိုင်ခြေ အပိုင်းအခြားတစ်ခုနှင့်အတူ ယုံကြည်မှု အညွှန်း သုံးခုအနက် တစ်ခုဖြင့် ပြသပါသည်— "ဆက်စပ်မှု ဖြစ်နိုင်ခြေ ရှိ"၊ "အချက်ပြ အားနည်း" သို့မဟုတ် "ဒေတာ မလုံလောက်"။ Sigma ကို အသုံးပြုသူအား ဖျောက်မထားဘဲ ပြသပါသည်။
• ဤမော်ဒယ်သည် ပုံစံ ခြေရာခံရန်အတွက်ဖြစ်ပြီး မိသားစု စီမံကိန်း သို့မဟုတ် သားဆက်ခြားရန်အတွက် မဟုတ်ပါ။

ဤနေရာတွင် "Bayesian" ဆိုသည်မှာ အမှန်တကယ် ဘာကိုဆိုလိုသနည်း

Bayesian inference သည် အရာနှစ်ခုကို ပေါင်းစပ်ထားသည်-

• prior တစ်ခု — ဤအသုံးပြုသူ၏ data မရရှိမီ သံသရာအလျား (cycle length) နှင့်ပတ်သက်၍ သင့်၏ မူလယုံကြည်မှု။
• likelihood တစ်ခု — အသစ်မှတ်တမ်းတင်လိုက်သော သံသရာတစ်ခုစီက သင့်အား ဘာပြောပြသနည်း ဆိုသည့်အချက်။

ယင်းတို့ကို မြှောက်ပြီး normalize လုပ်လိုက်ပါက posterior ကို ရရှိမည် — သင့်၏ မွမ်းမံပြီး ယုံကြည်မှုဖြစ်သည်။ ထို posterior သည် နောက်သံသရာအတွက် prior ဖြစ်လာသည်။ သံသရာများ ပိုမိုရောက်ရှိလာသည်နှင့်အမျှ model သည် ပိုမိုထက်မြက်လာသည်။

Soulwise သည် mu = 28 ရက် တွင် ဗဟိုပြုထားသော Gaussian prior တစ်ခုဖြင့် စတင်ပြီး standard deviation မှာ sigma = 5 ရက် ဖြစ်သည်။ ၎င်းသည် ကျယ်ပြန့်သော လူဦးရေတစ်ခုလုံးအတွင်း သံသရာအလျား၏ ကြမ်းတမ်းသော ပုံသဏ္ဌာန်ဖြစ်သည်။ သင့်ကိုယ်ပိုင် သံသရာများကို မှတ်တမ်းတင်လာသည်နှင့်အမျှ model သည် ဗဟိုကို သင့်ကိုယ်ပိုင် ပျမ်းမျှတန်ဖိုးဆီသို့ ရွှေ့ပြောင်းပြီး သင့်၏ ကွဲလွဲမှုအပေါ် မူတည်၍ sigma ကို တင်းကျပ်စေ (သို့မဟုတ် လျှော့ပေါ့စေ) သည်။

Conjugate update ကို စာပိုဒ်တစ်ခုနဲ့

Gaussian prior နဲ့ Gaussian likelihood အတွက် တွက်ချက်မှုက လှပစွာ ရိုးရှင်းသွားပါတယ်။ သင့်ရဲ့ prior က cycle ~ N(mu_0, sigma_0) လို့ ဆိုပြီး သင်က cycles x_1, x_2, ..., x_n ကို လေ့လာတွေ့ရှိပါက posterior သည်လည်း Gaussian ဖြစ်ပါတယ်—

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))

အဓိပ္ပာယ်— သင် မှတ်တမ်းတင်တဲ့ cycles များလေလေ၊ prior က အရေးမပါလေလေ၊ သင့်ကိုယ်ပိုင် data က ပိုမို လွှမ်းမိုးလေလေ ဖြစ်ပါတယ်။ မှတ်တမ်းတင်ထားသော cycles ~3 ပြီးနောက် population prior သည် အနည်းငယ်သာ အထောက်အကူ ဖြစ်ပြီး၊ ~10, ပြီးနောက်တွင် ၎င်းသည် noise သာ ဖြစ်ပါတယ်။

အသုံးပြုသူ မြင်ရသည့်အရာ

Posterior သည် မျဉ်းကွေးတစ်ခုဖြစ်သည်။ UI က notification တွင် မျဉ်းကွေးကို မပြသနိုင်ပါ။ ထို့ကြောင့် Soulwise က ၎င်းကို အရာနှစ်ခုအဖြစ် ချုံ့လိုက်သည်-

• ဖြစ်နိုင်ခြေရှိသော အပိုင်းအခြား။ Posterior က ၎င်း၏ mass အများစုကို ထားရှိသည့် ဝင်းဒိုး (ဥပမာ၊ အလယ်ဗဟို 68% interval၊ ခန့်မှန်းခြေ +/- 1 sigma)။
• ယုံကြည်မှု အညွှန်း။ ရိုးရှင်းသော အင်္ဂလိပ် tag သုံးမျိုးအနက် တစ်ခု-
  • "Likely correlation" — sigma ကျစ်လျစ်ပြီး data က မကြာသေးမီကဖြစ်သည့်အခါ။
  • "Weak signal" — sigma ကျယ်ပြန့်နေသည် သို့မဟုတ် data နည်းပါးသည့်အခါ။
  • "Not enough data" — မော်ဒယ်၏ အနည်းဆုံး မှတ်တမ်းတင်ထားသော cycle များထက် နည်းသည့်အခါ။

ထို့ကြောင့် "Period: March 14," အစား အသုံးပြုသူ မြင်ရသည်မှာ "Likely March 12-16, weak signal" ဖြစ်သည်။ ၎င်းသည် UX အလှဆင်မှုမဟုတ်ဘဲ မော်ဒယ်၏ တကယ့် output ဖြစ်သည်။

ဘာကြောင့် ဘာမှ မဖုံးကွယ်တာလဲ

အကြောင်းရင်း သုံးခု။

ရိုးသားမှု။ ပုံစံ ခြေရာခံ tracker တစ်ခုသည် မသိသော ရက်စွဲကို ကတိမပေးနိုင်ပါ။ sigma ကို ဖော်ပြခြင်းသည် အသုံးပြုသူ ယုံကြည်မှုကို ချိန်ညှိနိုင်ရန် တစ်ခုတည်းသော နည်းလမ်းဖြစ်သည်။

လုံခြုံမှု။ ယုံကြည်ရပုံပေါ်သော ရက်စွဲတစ်ခုသည် သန္ဓေတည်ခြင်း၊ သန္ဓေတားဆီးခြင်းနှင့် ဆေးကုသမှု ဆုံးဖြတ်ချက်များ အပါအဝင် app မထောက်ပံ့နိုင်သော အရာများအတွက် ၎င်းကို အခြေခံ၍ စီစဉ်ရန် လူများကို တွန်းအားပေးသည်။ ယုံကြည်မှု အညွှန်းတစ်ခုက "ဤသည်မှာ ခန့်မှန်းချက်ဖြစ်သည်" ဟု ပြောသည် — ၎င်းသည် အမှန်တကယ် ဖြစ်နေသည့်အတိုင်းပင်။

ပုံမှန်မဟုတ်သော သံသရာများအတွက် ခိုင်မာမှု။ PCOS၊ သွေးဆုံးခါနီး ကာလ၊ ဆေးပြီးနောက် သံသရာများနှင့် ဟော်မုန်း ကုသမှု အားလုံးသည် sigma ကို ကျယ်ပြန့်စေသည်။ ရိုးရာ tracker တစ်ခုသည် ဆိုးဆိုးရွားရွား မှားယွင်းသည် (သို့မဟုတ်) အသုံးပြုသူကို တိတ်တဆိတ် စွန့်ပစ်လိုက်သည်။ Bayesian tracker တစ်ခုကမူ ခန့်မှန်းချက်ကို "အားနည်းသော signal" ဟုသာ အညွှန်းတပ်ပြီး ဆက်လက် အလုပ်လုပ်နေသည်။

ဤ Model က ဘာမဟုတ်သလဲ

မလွဲမသွေနိုင်အောင် ချမှတ်ထားသော ကန့်သတ်ချက်အနည်းငယ်ကို ဤနေရာတွင် မှတ်တမ်းတင်ထားပါသည်။

• နောက်ထပ်ရက်သားအပိုင်းအခြားကို ကျော်လွန်၍ သီးခြားသံသရာဖြစ်ရပ်များကို ဤ model က မခန့်မှန်းပါ။
• မိသားစုစီမံကိန်းအတွက် အချိန်အပိုင်းအခြားကို ဤ model က ထုတ်ပေးခြင်းမရှိပါ။
• ကိုယ်ဝန်ဆောင်ရန် သို့မဟုတ် ကိုယ်ဝန်တားရန် အသုံးပြုမှုများအတွက် ဒီဇိုင်းမထုတ်ထားပါ။
• ဆေးဘက်ဆိုင်ရာ အတည်ပြုထားခြင်းမရှိသကဲ့သို့ ရက်သားလွဲခြင်း၊ ပုံမှန်မဟုတ်သော သွေးဆင်းခြင်း သို့မဟုတ် ဆက်တိုက်ဖြစ်ပေါ်နေသော လက္ခဏာများအတွက် ဆရာဝန်၏ အကြံဉာဏ်ကို အစားမထိုးနိုင်ပါ။

ဤကန့်သတ်ချက်များသည် ဤ model ကို သတိထားအသုံးပြုစေခြင်းမဟုတ်ပါ။ ၎င်းတို့သည် ဤ model ကို မှန်ကန်စွာ အကန့်အသတ်ဖြင့် သတ်မှတ်ထားခြင်းဖြစ်သည်။ ရက်သားခန့်မှန်းခြင်းနှင့် မိသားစုစီမံကိန်းခန့်မှန်းခြင်းတို့သည် ဒေတာလိုအပ်ချက်များ ကွဲပြားပြီး စည်းမျဉ်းစံချိန်များ မတူညီသော ပြဿနာနှစ်ရပ် ဖြစ်ပါသည်။

သင်္ချာက နေ့စဉ်ဓလေ့နှင့် ဆုံတွေ့ရာနေရာ

Soulwise တွင် Bayesian ရလဒ်သည် နေ့စဉ် check-in မှာ အသုံးပြုသော သံသရာအဆင့်ဆိုင်ရာ အကြောင်းအရာ ထဲသို့ ဝင်ရောက်စီးဆင်းပါသည်။ 20 စက္ကန့်ကြာ ဓလေ့က သင်ဘယ်လိုခံစားရသလဲဟု မေးပါသည်; တုံ့ပြန်မှုက သံသရာအဆင့်ကို input ငါးခုထဲမှ တစ်ခုအဖြစ် အသုံးပြုပါသည်။ sigma ကျယ်သောအခါ၊ တုံ့ပြန်မှုကတ်က သံသရာအဆင့်ကို ပိုနည်းသော အလေးချိန်ပေးပါသည်။ sigma ကျဉ်းသောအခါ၊ သံသရာအဆင့်ကို ပိုများသော အလေးချိန်ပေးပါသည်။ သင်္ချာက မိမိ မည်မျှ ယုံကြည်စိတ်ချရသည်ကို ရိုးသားစွာ ဖော်ပြခြင်းဖြင့် ၎င်း၏ အလေးချိန်ကို ရရှိအောင်လုပ်ပါသည်။

ပိုတိုသော ဗားရှင်း: စစ်မှန်သော Bayesian tracker က sigma ကို ဖော်ထုတ်ပြသပါသည်။ သင့် app က ယုံကြည်စိတ်ချရသော ရက်စွဲတစ်ခုတည်းကို ပြသပါက၊ အတွင်းပိုင်းရှိ မော်ဒယ်က အတူတူပင် ဖြစ်နိုင်သော်လည်း၊ ဖော်ပြပုံက ၎င်းအမှန်တကယ်သိရှိထားသည်ကို ဖုံးကွယ်နေခြင်းဖြစ်သည်။

မေးလေ့ရှိသော မေးခွန်းများ

ရိုးရှင်းသော ပျမ်းမျှတန်ဖိုးအစား Bayesian model ကို ဘာကြောင့် သုံးသင့်သနည်း။

ရိုးရှင်းသော ပျမ်းမျှတန်ဖိုးသည် ခန့်မှန်းချက် မည်မျှ တိကျသည်ကို လျစ်လျူရှုထားသည်။ 28 ရက် ပျမ်းမျှတန်ဖိုး တူညီသော အသုံးပြုသူ နှစ်ဦးသည် သံသရာအတက်အကျ အလွန်ကွဲပြားနိုင်ပါသည်။ Bayesian model များသည် titik pertengahan ကိုသာမက သင့်ဒေတာ၏ ပျံ့နှံ့မှုကိုပါ ခြေရာခံသည့်အတွက် ပုံမှန်မဟုတ်သော သံသရာများအတွက် ခန့်မှန်းအပိုင်းအခြားသည် ကျယ်ပြန့်လာပြီး ပုံမှန်ဖြစ်သော သံသရာများအတွက် ကျဉ်းကျုံ့သွားပါသည်။

လက်တွေ့တွင် sigma ဆိုသည်မှာ အမှန်တကယ် ဘာကို ဆိုလိုသနည်း။

Sigma သည် သံသရာ-အရှည် ဖြန့်ဝေမှု၏ စံသွေဖည်ချက် ဖြစ်သည်။ sigma သေးငယ်ခြင်း (2 ရက်အောက်) ဆိုသည်မှာ သင့်သံသရာများ နီးကပ်စွာ စုစည်းနေသည်ဟု ဆိုလိုပြီး ဖြစ်နိုင်ခြေ အပိုင်းအခြားသည် ရက်အနည်းငယ်သာ ဖုံးလွှမ်းပါသည်။ sigma ကြီးမားခြင်း (5+ ရက်) ဆိုသည်မှာ သံသရာများ တစ်ပတ် သို့မဟုတ် ထို့ထက်ပိုမို ပျံ့နှံ့နေပြီး app က ထိုအတိုင်း ဖော်ပြသင့်ပါသည်။

ခန့်မှန်းရက် တစ်ရက်တည်းကိုသာ ဘာကြောင့် မပေးသနည်း။

အကြောင်းမှာ model သည် တကယ်တမ်း တစ်ရက်တည်းကို မသိသောကြောင့် ဖြစ်သည်။ ရက်တစ်ရက်တည်းသည် မသေချာမှုကို ဖုံးကွယ်ထားသော UX ရွေးချယ်မှု တစ်ခုဖြစ်သည်။ အပိုင်းအခြားကို ဖော်ပြခြင်းသည် ပိုမိုရိုးသားပြီး သင်္ချာ၏ အလုပ်လုပ်ပုံနှင့်ပါ ကိုက်ညီပါသည်။

၎င်းသည် တိကျသော သံသရာဖြစ်ရပ်များကို ခန့်မှန်းပါသလား။

မဟုတ်ပါ။ Bayesian သံသရာ model ပြုလုပ်ခြင်းသည် နောက်ထပ် ဓမ္မတာ မည်သည့်အချိန်တွင် ဖြစ်ပေါ်နိုင်သည်ကို ခန့်မှန်းပေးခြင်းဖြစ်သည်။ ၎င်းသည် မိသားစုစီမံကိန်း ကိရိယာ မဟုတ်သလို၊ သားဆက်ခြားကိရိယာလည်း မဟုတ်၊ ဆေးပညာအရ အတည်ပြုထားသော နည်းလမ်းများ၏ အစားထိုးလည်း မဟုတ်ပါ။