- \n
- \nHerausforderung<\/div>\nVerbesserung der Genauigkeit der Periodenvorhersage f\u00fcr Anwendungsnutzer<\/div>\n<\/li>\n
- \n
L\u00f6sung<\/div>\nLineare und baumbasierte Modelle f\u00fcr eine bessere Vorhersage des Menstruationszyklus<\/div>\n<\/li>\n- \n
Technologien und Werkzeuge<\/div>\nMaschinelles Lernen: Regressions- und Gradient-Boosting-Modelle Wissenschaftlich (Predictive Analytics Python stack): Python, NumPy, scikit-learn, LightGBM, XGBoost; Web-Anwendung: hug (Web-Framework), Gunicorn (Web-Server)<\/div>\n<\/li>\n<\/ul>\n<\/div>\nKunde<\/h2>\n
Der Kunde ist ein Medien- und Unterhaltungsunternehmen mit Sitz in Japan. Das Unternehmen bietet verschiedene Anwendungen an, um die unterschiedlichen Kundenbed\u00fcrfnisse rund um den Globus zu harmonisieren.<\/p>\n
Der Kunde hat eine App f\u00fcr pr\u00e4diktive Analysen entwickelt. Es ist ein Perioden-Tracker, der wertvolle Einblicke in den Menstruationszyklus bietet. Sie zielt darauf ab, die Periode zu verfolgen und vorherzusagen (n\u00e4chster Tag der Menstruation, Dauer der Periode, Tag des Eisprungs, Empf\u00e4ngniswahrscheinlichkeit) und bietet dem Nutzer einen Gespr\u00e4chsfaden.<\/p>\n
Der Kunde suchte Fachwissen in folgenden Bereichen maschinelles Lernen als Dienstleistung<\/a> und bat unser Team, die Vorhersagegenauigkeit insgesamt zu verbessern.<\/p>\n
Herausforderung: Verbesserung der Genauigkeit der Periodenvorhersage f\u00fcr App-Nutzer<\/h2>\n
Trotz der zahlreichen Apps zur \u00dcberwachung der Periode auf dem Markt f\u00fcr mobile Apps haben Frauen immer noch Schwierigkeiten, ihre Periode mit Hilfe von Vorhersage-Apps zu \u00fcberwachen, oder sie haben Probleme, schwanger zu werden. Daf\u00fcr mag es mehrere Gr\u00fcnde geben, aber eines bleibt gleich - die Vorhersagegenauigkeit, die moderne Apps zu bieten haben.<\/p>\n
Vor kurzem haben wir ein \u00e4hnliches Projekt zur Vorhersage des Menstruationszyklus f\u00fcr ein bekanntes Startup-Unternehmen abgeschlossen. Dieses Projekt kann ein gutes Beispiel f\u00fcr pr\u00e4diktives Data Mining sein.<\/p>\n
Erfahrung in Entwicklung von Anwendungen f\u00fcr pr\u00e4diktive Analytik<\/a>Wir waren gerne bereit, unser Fachwissen mit dem Kunden zu teilen und ihm mit einer genauen und effizienten L\u00f6sung zu helfen.<\/p>\n
Unser Team stand vor der Herausforderung, die derzeitige L\u00f6sung f\u00fcr Periodenvorhersagen zu verbessern, ohne die Leistung der App zu beeintr\u00e4chtigen.<\/p>\n
L\u00f6sung: Lineare und baumbasierte Modelle f\u00fcr eine bessere Vorhersage des Menstruationszyklus<\/h2>\n
Da wir wissen, dass die Prognose-App viele Nutzer hat, mussten wir eine robuste L\u00f6sung finden, die stark genug ist, um Tausende von Nutzeranfragen pro Minute zu verarbeiten. Um dies zu erreichen, beschlossen wir, Vorhersagemodelle auf der Grundlage von maschinellem Lernen zu verwenden.<\/p>\n
Der \u00fcbliche Ansatz f\u00fcr die pr\u00e4diktive App-Entwicklung ist der Einsatz von Data-Mining-Techniken.<\/p>\n
Unsere Hauptaufgabe bestand darin, die Anzahl der verbleibenden Tage bis zum Beginn des n\u00e4chsten Menstruationszyklus an einem beliebigen Tag des aktuellen Zyklus vorherzusagen. Die folgenden Informationen wurden bis zum aktuellen Zyklustag eingeholt (fr\u00fchere Menstruationsprotokolle, Benutzerprofilinformationen, Gewichtsaufzeichnungen, Temperaturaufzeichnungen, fr\u00fchere Ereignisse, Ereignisse w\u00e4hrend des aktuellen Zyklus). Alle diese Daten wurden vollst\u00e4ndig anonymisiert, wir hatten keinen Zugang zu den pers\u00f6nlichen Daten der Benutzerin.<\/p>\n
Mit all diesen Informationen k\u00f6nnen wir das n\u00e4chste Datum f\u00fcr den Beginn der Menstruation nach der folgenden Formel berechnen: aktuelles Datum + voraussichtliche verbleibende Tage.<\/p>\n
Schauen Sie sich unseren Ansatz genauer an:<\/p>\n
![\"Schematischer](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/04\/scheme-process.png\")
<\/p>\nUnser Team nahm Rohdaten und extrahierte einige numerische Merkmale. Dann nutzten wir die Merkmale und das berechnete Ziel (die Anzahl der verbleibenden Tage bis zum Beginn des Zyklus), um ein Modell zu trainieren, das dasselbe Ziel vorhersagen kann, allerdings f\u00fcr die neuen Nutzer.<\/p>\n
Unser Team hat sich f\u00fcr lineare Vorhersagemodelle entschieden, weil sie schneller zu trainieren sind als andere Ans\u00e4tze des maschinellen Lernens wie neuronale Netze. Au\u00dferdem ben\u00f6tigen lineare Modelle weniger Arbeitsspeicher. Und es ist viel einfacher, sie sowohl auf Server- als auch auf Anwendungsseite zu implementieren.<\/p>\n
Wir haben eine Phase der Datenerhebung vorgeschlagen. Die Hauptziele dieser Phase sind Sch\u00e4tzung der durch maschinelles Lernen erreichbaren Genauigkeit<\/a>um Datentypen zu bestimmen, die f\u00fcr Vorhersagen n\u00fctzlich sind, und um Modellklassen f\u00fcr die weitere Modellierung auszuw\u00e4hlen.<\/p>\n
Die Ergebnisse der vorgeschlagenen Phase sind:<\/p>\n
- \n
- Modellprototyp f\u00fcr die Vorhersage der Zyklusl\u00e4nge<\/li>\n
- Modellprototyp f\u00fcr die Vorhersage der Periodenl\u00e4nge<\/li>\n
- Proof-of-Concept-Bericht (einschlie\u00dflich der Bewertung der trainierten Modelle und ihres Vergleichs mit der bestehenden L\u00f6sung)<\/li>\n
- Demo-API<\/li>\n<\/ul>\n
Ergebnis: Datengesteuerte L\u00f6sung f\u00fcr eine genauere Vorhersage des Menstruationszyklus<\/h2>\n
ESSID Solutions, erfahren in der Entwicklung von Data-Mining-Anwendungen und pr\u00e4diktiven Analysen, hat dem Kunden eine leistungsstarke L\u00f6sung zur Verf\u00fcgung gestellt, um die Genauigkeit der Perioden-Tracker-App deutlich zu verbessern.<\/p>\n
Der Kunde hat in den folgenden Bereichen von der Zusammenarbeit mit uns profitiert:<\/p>\n
- \n
- erh\u00f6hte Genauigkeit der Periodenvorhersage bis zu 15%<\/li>\n
- Vorhersage f\u00fcr Frauen mit unregelm\u00e4\u00dfiger Periode<\/li>\n
- hilft dem Kunden, die F\u00fclle der Kundendaten effizienter zu bew\u00e4ltigen<\/li>\n
- Empfehlungen f\u00fcr die Implementierung der Eisprungvorhersage in die App gegeben<\/li>\n<\/ul>\n
Arbeiten wir an Ihrem Anwendung f\u00fcr maschinelles Lernen zur Vorhersage<\/a><\/h3>","protected":false},"excerpt":{"rendered":"
- \n