பேய்சியன் சைக்கிள் மாடலிங் விளக்கம்: ஏன் ஒரு தேதிக்கு பதிலாக சிக்மாவைக் காட்டுகிறோம்

பெரும்பாலான சைக்கிள் ஆப்கள் உங்களுக்கு ஒரு உறுதியான தேதியைக் காட்டுகின்றன. "காலம்: மார்ச் 14." இது ஒரு உண்மை போல் தோன்றுகிறது. உண்மையில் இது ஒரு UX தேர்வுதான் — ஒற்றை எண்ணுக்குப் பின்னால் ஒரு நிகழ்தகவு பரவலை மறைக்கும் ஒன்று. பேய்சியன் சைக்கிள் மாடலிங் அதே கணிதத்தைச் செய்கிறது, ஆனால் அந்தப் பரவலை உங்களுக்குக் காட்டுகிறது.

இந்த கணிதம் உண்மையில் எப்படி வேலை செய்கிறது, உறுதியாக நடிக்காமல் Soulwise ஏன் சிக்மாவை வெளிப்படுத்துகிறது, மேலும் தினசரி UI-ல் அது எப்படித் தெரிகிறது என்பதை இந்தப் பதிவு விளக்குகிறது.

இங்கே "பேய்சியன்" என்பதன் உண்மையான பொருள்

பேய்சியன் அனுமானம் இரண்டு விஷயங்களை இணைக்கிறது:

• ஒரு முன் நம்பிக்கை (prior): இந்தக் குறிப்பிட்ட பயனரிடமிருந்து தரவு கிடைப்பதற்கு முன்பே, சுழற்சி நீளத்தைப் பற்றிய உங்கள் தொடக்க நம்பிக்கை.
• ஒரு நிகழ்தகவு (likelihood): புதிதாகப் பதிவாகும் ஒவ்வொரு சுழற்சியும் உங்களுக்குச் சொல்வது.

இவற்றைப் பெருக்கி, இயல்பாக்கினால், உங்களுக்கு ஒரு பின் நம்பிக்கை (posterior) கிடைக்கும்: அதாவது புதுப்பிக்கப்பட்ட உங்கள் நம்பிக்கை. அந்தப் பின் நம்பிக்கை, அடுத்த சுழற்சிக்கான முன் நம்பிக்கையாக மாறுகிறது. அதிக சுழற்சிகள் வரும்போது மாதிரி இன்னும் கூர்மையடைகிறது.

Soulwise ஒரு காஸியன் முன் நம்பிக்கையுடன் தொடங்குகிறது, இது mu = 28 நாட்கள் என்ற மையத்தில், sigma = 5 நாட்கள் என்ற நியம விலகலுடன் அமைகிறது. இது பரந்த மக்கள்தொகையில் சுழற்சி நீளத்தின் தோராயமான வடிவம். உங்கள் சொந்த சுழற்சிகள் பதிவாகும்போது, மாதிரி அதன் மையத்தை உங்கள் தனிப்பட்ட சராசரியை நோக்கி நகர்த்துகிறது, மேலும் உங்கள் மாறுபாட்டின் அடிப்படையில் sigma-வை இறுக்குகிறது (அல்லது தளர்த்துகிறது).

இணைப்பு புதுப்பிப்பு, ஒரே பத்தியில்

காசியன் முன்னறிவுக்கும் (prior) காசியன் சாத்தியக்கூற்றுக்கும் (likelihood), கணிதம் அழகாக ஒடுங்கி விடுகிறது. உங்கள் முன்னறிவு cycle ~ N(mu_0, sigma_0) என்று சொன்னால், நீங்கள் சுழற்சிகள் x_1, x_2, ..., x_n ஐக் கவனித்தால், பின்னறிவும் (posterior) காசியன் தான்:

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))

மொழிபெயர்ப்பு: நீங்கள் எவ்வளவு அதிக சுழற்சிகளைப் பதிவு செய்கிறீர்களோ, அவ்வளவு குறைவாகவே முன்னறிவு முக்கியமாகிறது, உங்கள் தனிப்பட்ட தரவே மேலோங்குகிறது. சுமார் 3 சுழற்சிகளைப் பதிவு செய்த பிறகு, மக்கள்தொகை முன்னறிவு ஒரு சிறிய பங்களிப்பாகவே இருக்கும்; சுமார் 10, பிறகு அது வெறும் இரைச்சல் தான்.

பயனர் என்ன பார்க்கிறார்

பின்புறப் பகிர்வு (posterior) ஒரு வளைவு. ஒரு அறிவிப்பில் UI ஒரு வளைவைக் காட்ட முடியாது. எனவே Soulwise அதை இரண்டு விஷயங்களாகச் சுருக்குகிறது:

• சாத்தியமான வரம்பு. பின்புறப் பகிர்வு தனது பெரும்பகுதியை வைக்கும் சாளரம் (எ.கா., மைய 68% இடைவெளி, ஏறக்குறைய +/- 1 சிக்மா).
• நம்பகத்தன்மை லேபிள். மூன்று எளிய தமிழ் குறிச்சொற்களில் ஒன்று:
  • "சாத்தியமான தொடர்பு" — சிக்மா இறுக்கமாகவும் தரவு சமீபத்தியதாகவும் இருக்கும்போது.
  • "பலவீனமான சமிக்ஞை" — சிக்மா அகலமாகவோ தரவு குறைவாகவோ இருக்கும்போது.
  • "போதிய தரவு இல்லை" — மாதிரியின் குறைந்தபட்ச பதிவு செய்யப்பட்ட சுழற்சிகளை விட குறைவாக இருக்கும்போது.

எனவே "மாதவிடாய்: மார்ச் 14," என்பதற்குப் பதிலாக, பயனர் "சாத்தியமாக மார்ச் 12-16, பலவீனமான சமிக்ஞை" என்று பார்க்கிறார். அது மாதிரியின் உண்மையான வெளியீடு, ஒரு UX அலங்காரம் அல்ல.

எதையும் ஏன் மறைக்கக் கூடாது

மூன்று காரணங்கள்.

நேர்மை. ஒரு பேட்டர்ன் கண்காணிப்பி தனக்குத் தெரியாத ஒரு தேதியை உறுதியளிக்க முடியாது. சிக்மாவை வெளிப்படுத்துவதுதான் பயனர் நம்பிக்கையை சீரமைக்க ஒரே வழி.

பாதுகாப்பு. உறுதியாகத் தோன்றும் ஒரு தேதி, கருத்தரித்தல், கருத்தடை, மருத்துவ முடிவுகள் உட்பட செயலியால் ஆதரிக்க முடியாத விஷயங்களுக்காகவும் அதை வைத்துத் திட்டமிட மக்களை ஊக்குவிக்கிறது. ஒரு நம்பிக்கைக் குறிப்பு "இது ஒரு மதிப்பீடு" என்று சொல்கிறது — அதுதான் உண்மையில் அது.

ஒழுங்கற்ற சுழற்சிகளுக்கு உறுதிப்பாடு. PCOS, பெரிமெனோபாஸ், மாத்திரைக்குப் பிந்தைய சுழற்சிகள், மற்றும் ஹார்மோன் சிகிச்சை அனைத்தும் சிக்மாவை விரிவாக்குகின்றன. ஒரு பாரம்பரியக் கண்காணிப்பி ஒன்று மோசமாகத் தவறவிடுகிறது அல்லது அமைதியாக பயனரைக் கைவிடுகிறது. ஒரு பேய்சியன் கண்காணிப்பி அந்த மதிப்பீட்டை "பலவீனமான சமிக்ஞை" என்று குறித்துவிட்டு தொடர்ந்து வேலை செய்கிறது.

இந்த மாடல் என்ன அல்ல

சில உறுதியான எல்லைகள், அவை மாறாமல் இருக்க இங்கே எழுதப்பட்டுள்ளன:

• அடுத்த மாதவிடாய் தேதி வரம்பைத் தாண்டிய குறிப்பிட்ட சுழற்சி நிகழ்வுகளை இது மதிப்பிடாது.
• இது குடும்பக் கட்டுப்பாடு கால அளவை வழங்காது.
• கருத்தரிப்பு அல்லது கருத்தடைப் பயன்பாட்டுக்காக இது வடிவமைக்கப்படவில்லை.
• இது மருத்துவ ரீதியில் சரிபார்க்கப்படவில்லை; தவறிய மாதவிடாய், ஒழுங்கற்ற இரத்தப்போக்கு அல்லது நீடிக்கும் அறிகுறிகளுக்கான மருத்துவ ஆலோசனைக்கு இது மாற்றாகாது.

இந்த எல்லைகள் மாடல் எச்சரிக்கையாக இருப்பதைக் காட்டவில்லை. மாறாக, மாடல் சரியான வரம்புக்குள் வைக்கப்பட்டிருப்பதைக் காட்டுகிறது. மாதவிடாய் மதிப்பீடும் குடும்பக் கட்டுப்பாடு மதிப்பீடும் வெவ்வேறு தரவுத் தேவைகள் மற்றும் வெவ்வேறு ஒழுங்குமுறை அளவுகோல்களைக் கொண்ட வேறுபட்ட சிக்கல்கள்.

கணிதம் தினசரி சடங்குடன் சந்திக்கும் இடம்

Soulwise-இல், Bayesian வெளியீடு தினசரி செக்-இன்னில் பயன்படுத்தப்படும் சுழற்சி-கட்ட சூழலுக்கு தீனி போடுகிறது. 20-வினாடி சடங்கு நீங்கள் எப்படி உணர்கிறீர்கள் என்று கேட்கிறது; உங்கள் பதில் சுழற்சி கட்டத்தை ஐந்து உள்ளீடுகளில் ஒன்றாகப் பயன்படுத்துகிறது. sigma அகலமாக இருக்கும்போது, பதில் அட்டை சுழற்சி கட்டத்திற்கு குறைவான எடை தருகிறது. sigma இறுக்கமாக இருக்கும்போது, அது சுழற்சி கட்டத்திற்கு அதிக எடை தருகிறது. தனக்கு எவ்வளவு நம்பிக்கை உள்ளது என்பதில் நேர்மையாக இருப்பதன் மூலம் கணிதம் தன் எடையை சம்பாதிக்கிறது.

சுருக்கமாகச் சொன்னால்: ஒரு உண்மையான Bayesian டிராக்கர் sigma-வை வெளிப்படுத்துகிறது. உங்கள் ஆப் ஒரே ஒரு நம்பிக்கையான தேதியைக் காட்டினால், உள்ளே இருக்கும் மாடல் ஒன்றாகவே இருக்கலாம், ஆனால் அந்த சித்தரிப்பு அது உண்மையில் அறிந்திருப்பதை மறைக்கிறது.