Modelimi Bajesian i Cikleve i Shpjeguar: Pse Tregojmë Sigmën, Jo një Datë

Shumica e aplikacioneve për ciklet të tregojnë një datë me siguri. "Periudha: 14 mars." Duket si fakt. Është një zgjedhje e UX-it që fsheh një shpërndarje probabiliteti pas një numri të vetëm. Modelimi bajesian i cikleve bën të njëjtën matematikë, por të tregon shtrirjen.

Ky postim shpjegon si funksionon vërtet matematika, pse Soulwise nxjerr në pah sigmën në vend që të shtiret se ka siguri, dhe si duket kjo në ndërfaqen e përditshme.

Çfarë do të thotë në të vërtetë "Bayesian" këtu

Inferenca Bayesiane kombinon dy gjëra:

• Një prior: bindja jote fillestare për gjatësinë e ciklit përpara se të kesh të dhëna nga ky përdorues specifik.
• Një gjasë (likelihood): çfarë të tregon çdo cikël i ri i regjistruar.

Shumëzoji, normalizoji, dhe merr një posterior: bindjen tënde të përditësuar. Ai posterior bëhet prior për ciklin tjetër. Modeli bëhet më i saktë sa më shumë cikle të mbërrijnë.

Soulwise nis me një prior Gaussian të qendërzuar te mu = 28 ditë me një devijim standard prej sigma = 5 ditë. Kjo është forma e përafërt e gjatësisë së ciklit në popullatën më të gjerë. Ndërsa regjistrohen ciklet e tua, modeli e zhvendos qendrën drejt mesatares sate personale dhe e ngushton (ose e zgjeron) sigmën bazuar në ndryshueshmërinë tënde.

Përditësimi i konjuguar, në një paragraf

Për një prior Gaussian dhe një gjasë Gaussiane, matematika thjeshtohet bukur. Nëse priori yt thotë cycle ~ N(mu_0, sigma_0) dhe ti vëzhgon cikle x_1, x_2, ..., x_n, posteriori është gjithashtu Gaussian:

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))

Përkthimi: sa më shumë cikle të regjistrosh, aq më pak rëndësi ka priori dhe aq më shumë dominojnë të dhënat e tua personale. Pas ~3 cikleve të regjistruara, priori i popullatës është një kontribues i vogël; pas ~10, është thjesht zhurmë.

Çfarë sheh përdoruesi

Posteriori është një kurbë. Ndërfaqja nuk mund të shfaqë një kurbë në një njoftim. Prandaj Soulwise e ngjesh atë në dy gjëra:

• Një interval të mundshëm. Dritarja ku posteriori vendos pjesën më të madhe të masës së tij (p.sh., intervali qendror 68%, afërsisht +/- 1 sigma).
• Një etiketë besueshmërie. Një nga tri etiketat e thjeshta:
  • "Korrelacion i mundshëm" kur sigma është e ngushtë dhe të dhënat janë të freskëta.
  • "Sinjal i dobët" kur sigma është e gjerë ose të dhënat janë të pakta.
  • "Të dhëna të pamjaftueshme" kur janë të disponueshme më pak cikle të regjistruara se minimumi i modelit.

Kështu, në vend të "Menstruacionet: Mars 14," përdoruesi sheh "Ka gjasa Mars 12-16, sinjal i dobët." Ky është rezultati i vërtetë i modelit, jo një zbukurim i UX-it.

Pse të mos fshehësh asgjë

Tre arsye.

Ndershmëria. Një gjurmues modelesh nuk mund të premtojë një datë që nuk e di. Nxjerrja në pah e sigmës është mënyra e vetme që përdoruesi të kalibrojë besimin.

Siguria. Një datë që duket e sigurt i nxit njerëzit të planifikojnë rreth saj për gjëra që aplikacioni nuk mund t'i mbështesë, përfshirë konceptimin, kontracepsionin dhe vendimet klinike. Një etiketë besueshmërie thotë "kjo është një vlerësim", që është pikërisht ajo që është.

Qëndrueshmëria ndaj cikleve të parregullta. Sindroma e vezoreve policistike, perimenopauza, ciklet pas ndërprerjes së pilulës dhe terapia hormonale e zgjerojnë të gjitha sigmën. Një gjurmues tradicional ose gabon rëndë, ose e braktis në heshtje përdoruesin. Një gjurmues bajezian thjesht e etiketon vlerësimin si "sinjal i dobët" dhe vazhdon të punojë.

Çfarë nuk është modeli

Disa kufij të prerë, të shkruar që të mos zhvendosen:

• Nuk parashikon ngjarje specifike të ciklit përtej intervalit të datave të periodës së ardhshme.
• Nuk jep një dritare për planifikimin familjar.
• Nuk është projektuar për raste të ngjizjes apo të kontracepsionit.
• Nuk është i validuar klinikisht dhe nuk zëvendëson këshillën klinike për periodat e munguara, gjakderdhjet e parregullta apo simptomat e vazhdueshme.

Këta kufij nuk do të thotë se modeli është konservativ. Ata tregojnë se modeli ka një fushëveprim të saktë. Parashikimi i periodës dhe parashikimi i planifikimit familjar janë probleme të ndryshme me nevoja të ndryshme për të dhëna dhe pragje rregullatore të ndryshme.

Aty ku matematika takon ritualin e përditshëm

Në Soulwise, rezultati Bayesian ushqen kontekstin e fazës së ciklit që përdoret në kontrollin e përditshëm. Rituali 20-sekondësh të pyet si ndihesh; përgjigjja e përdor fazën e ciklit si një nga pesë të dhënat hyrëse. Kur sigma është e gjerë, karta e përgjigjes i jep më pak peshë fazës së ciklit. Kur sigma është e ngushtë, i jep më shumë peshë fazës së ciklit. Matematika e fiton peshën e saj duke qenë e sinqertë për sa e bindur është.

Versioni më i shkurtër: një gjurmues vërtet Bayesian e nxjerr në pah sigmën. Nëse aplikacioni yt të shfaq një datë të vetme me bindje, modeli prapa mund të jetë i njëjti, por mënyra si paraqitet po fsheh atë që në të vërtetë di.