Mit mondhat a gépi tanulás a súlyáról?

A legtöbben túl sok időt töltenek azzal, hogy kiderítsék, mennyi kalóriát kell megenniük a fogyáshoz, vagy hány gramm fehérjére van szükségük, vagy mely ételeket tartják szerintük.

A valóság az az utad a fontos, nem a kiindulópontod.

Sokkal fontosabb tudni, hogyan kell beállítani az étrendet az előrehaladás alapján, mint az elején kitalálni, hogyan állítsuk be pontosan.

Ezért kell megfelelő keretrendszer a döntéseihez, mielőtt bármit is megpróbálna megváltoztatni.

Éveket töltöttem és elemeztem az ügyfelektől származó súlyadatokat, hogy felépítsem a keretrendszeremet.

Itt megtanul három alapelvet, amelyeket lepároltam ezekből az adatokból. Ezek az alapelvek segítenek a haladás vizualizálásában, és az ön érzéseitől független pontos megítélésekben.

A legfontosabb, hogy segítenek a cselekvésben.

Végezzen napi súlymérést, de szűrje ki a zajt

A skála furcsa dolgokat követ el, amikor diétázik. Egy nap úgy fog felébredni, mintha zsíros lett volna, de a mérleg szerint ugyanolyan súlyú vagy, mint előző nap. Azt fogja mondani, hogy nehezebb vagy, bár tudod, hogy mindent jól csináltál.

Íme néhány olyan tényező, amely befolyásolja a testsúlyodat, és semmi közük ahhoz, hogy mennyire ragaszkodsz az étrendhez:

  1. Amikor utoljára a fürdőszobába mentél.
  2. Mennyi étel van az emésztőrendszerben.
  3. A nátrium mennyisége az ételben.
  4. Mennyi vizet iszik.
  5. Az elfogyasztott szénhidrátok mennyisége.

Súlyadatai zajosak, és a jelet keresi.

A zaj tetején megfigyelési hiba lép fel minden alkalommal, amikor mérést végez, még akkor is, ha a skálát következetesen, ugyanabban a napszakban és ugyanabban az állapotban ellenőrzi.

Naponta kövesse nyomon a súlyát, és nem kell aggódnia emiatt.

Ez ellentmondásosan hangzik, ugye?

Képzelje el a testsúlyát jelként, amely az idő folyamán folyamatosan változik. Minden alkalommal, amikor a skálára lép, mintát vesz, ezt a folyamatos jelet diszkrétdé alakítja.

Ugyanúgy, mint a streaming zeneszolgáltatások, mintavételezéssel tömörítik a hangot, a súlyadatokat könnyebben kezelhető formátumba tömöríti.

Ha nem vesz elegendő mintát, elveszíti a fontos információkat. A jelfeldolgozás eredménye (az úgynevezett Nyquist-Shannon tétel) azt sugallja, hogy hetente két mérésnél nagyobb mintavételi arányt (mintavételi arány> 2/7) kell használni a heti ütemezés során történtek rekonstruálásának megkísérléséhez.

Példa. Itt két görbe mutatja a súlygyarapodást vörösben és a fogyást zöldben.

gépi

Mindkét görbe ugyanúgy néz ki, ha két ponton vesz mintát, és megpróbálja fekete színben extrapolálni a trendvonalat.

Val vel napi súlymérés van elég mintád, csak a zaj kezelésére van szükség.

Kiszűrheti a zajt azáltal, hogy a mozgóátlag napi súlyméréséből. A mozgóátlag egyszerű típusa a korábbi súlymérések számtani átlaga. Javaslom az utolsó 7-14 napos súlyadatok használatát.

Példa. Tegyük fel, hogy 3 napos mozgóátlagot szeretne megtenni, és az utolsó 3 súlymérése 81 kg, 80,7 kg és 81,3 kg volt. Ekkor a mozgóátlagod (81 + 80,7 + 81,3)/3 = 81 kg, amelyet előrejelzésként felhasználhatsz a következő súlyméréshez.

Itt található a fekete súlyú valós tömegmérési adatok és a piros színű mozgó átlag összehasonlítása.

Figyelje meg, hogy a mozgó átlag alapján mennyivel könnyebb észrevenni a trendet?

Gondoljon arra, hogy a súlyadatok mentén csúszik, és simítja az összes dudort.

Amit a múlt héten tett, az megjósolja a heti haladását

A mozgó átlagnak sok alkalmazása van, a pénzügyekben gyakran használják a részvények kereskedési jelének generálására. Itt használja a döntéshozatal támogatására és a jövőbeni súlyának előrejelzésére.

Az előrejelzések pontossága javítható gépi tanulási technikákkal, például regresszióval. A regressziós algoritmusok megpróbálják modellezni a kapcsolatot egy független változó (például idő) és egy függő változó (például súly) között.

Itt van egy modell kimenete, amelyet a valóságos súlyadatokhoz illesztettem a gerinc regresszióval a Python scikitlearn könyvtárával, a modell előrejelzései zöldek, a tényleges értékek kékek.

Figyelje meg, hogy az előrejelzett értékek milyen közel vannak a tényleges értékekhez?

A modell nem tud semmit a kalóriabevitelről, a makrotápanyagokról és a testmozgásról; csak a súlyadatok elmúlt hetéről tud.

Ha elegendő súlyadattal rendelkezik, a mikrovezérlés és a komplexitás bevezetése nélkül megjósolhatja a haladást.

A viselkedésed befolyásolja a sikeredet

A súlyadatok nyomon követése mellett nyomon követheti a súlyát befolyásoló viselkedést is. Ennek legnépszerűbb módja az, ha egy alkalmazás segítségével rögzíti az étel bevitelét és a testmozgást.

A kalóriák és a gramm fehérje nagyítása helyett meg kell vizsgálnia a legfelső szintű viselkedését:

  • Tervezte-e és követte-e ma az ételeit?
  • Sokat evett?
  • Tegnap késő éjszaka maradtál fent?

Naponta naplózhatja ezeket a viselkedéseket a súlyadatokkal, és a gépi tanulással azonosíthatja a legfontosabbakat.

Itt az XGBoost algoritmust alkalmaztam néhány anonimizált kliens adatra, hogy viselkedésüket a súlyuk befolyásolása alapján osztályozzam, fontosságuk szerint rangsorolva őket. Ne feledje, hogy a rangsor nem tesz különbséget a súlygyarapodás vagy a fogyás között, csak az érdekli, hogy ezek a viselkedések mennyire jósolják meg a súly változását.

Láthatja az algoritmus által kiválasztott adatok legfontosabb jellemzőit:

  1. Elmenni enni.
  2. A makrotápanyagok követése vagy nem követése.
  3. Agresszívabb kalóriahiány bevezetése.

Intuitív módon van értelme: az étkezés nagy változékonyságot eredményez a kalóriabevitelben, a nyomon követés következetesen segít fenntartani a kalóriahiányt, a kalória csökkentése pedig jelentősen elősegíti a fogyást.

A viselkedésed befolyásolja a sikeredet, nem pedig az étrend beállításának konkrét részletei.

Fontos megjegyezni, hogy adatai teljesen más következtetésekhez vezethetnek. Ennek megfelelő működéséhez sok adatra van szükség, ne várjon értelmes eredményeket, ha csak néhány hete követi nyomon.

Ez a megközelítés hosszabb időintervallumokban, például 3-12 hónapban működik, hogy tájékoztassa a viselkedés változását és támogassa a fenntartható fogyást vagy a testsúly fenntartását, nem pedig a rövid távú étrend optimalizálását.

Hogyan cselekedjünk ezzel kapcsolatban

Itt van a három dolog, amire most összpontosíthat:

  1. Naponta mintát készítsen a súlymérésből ugyanabban az állapotban és ugyanabban az időben.
  2. Mozgó átlag segítségével értékelje az előrehaladást, ne a nyers adatokat.
  3. Legyen összhangban a stratégiai magatartással, például az étkezés bevitelének követésével, az ételek elkészítésével és a pihentető alvás előtérbe helyezésével.

Itt megfoghat egy súlykövető táblázatot, és pontosan azt a Python-kódot, amelyet a GitHub gépi tanulási dolgaihoz használtam. Lépjen kapcsolatba velem, ha segítségre van szüksége a beállításához.

Koncentráljon arra, ami számít, vegye vissza az irányítást

Csatlakozzon ingyenes hírlevelemhez, és bizonyított keretrendszereket és stratégiákat kapsz, hogy elsajátítsd elmédet, testedet és hatásodat életed minden területén.