Повечето хора прекарват твърде много време, опитвайки се да разберат колко калории трябва да ядат, за да отслабнат, или колко грама протеин се нуждаят, или кои храни смятат, че трябва да избягват.

Реалността е такава вашият път е това, което има значение, а не вашата отправна точка.

Да знаете как да коригирате диетата си въз основа на вашия напредък е много по-важно, отколкото да разберете как точно да я настроите в началото.

Ето защо имате нужда от подходяща рамка за вашите решения, преди да се опитате да промените нещо.

Прекарах години в събиране и анализ на данни за тегло от моите клиенти, за да изградя моята рамка.

Тук ще научите три принципа, дестилирани от тези данни. Тези принципи ви помагат да визуализирате своя напредък и да правите точни преценки, които са независими от това как се чувствате.

Най-важното е, че те ще ви помогнат да предприемете действия.

Правете ежедневни измервания на теглото, но филтрирайте шума

Везната прави странни неща, когато диете. Един ден ще се събудите, сякаш сте загубили мазнини, но кантарът казва, че сте останали със същото тегло като предния ден. Ще каже, че сте по-тежки, въпреки че знаете, че сте правили всичко както трябва.

Ето някои фактори, които влияят на теглото ви и нямат нищо общо с това колко добре се придържате към диетата си:

  1. Кога за последно отидохте до тоалетната.
  2. Колко храна има в храносмилателната ви система.
  3. Количеството натрий във вашата храна.
  4. Колко вода пиете.
  5. Количеството въглехидрати, което консумирате.

Данните за теглото ви са шумни и търсите сигнала.

На върха на шума има грешка при наблюдение всеки път, когато правите измерване, дори ако проверявате скалата последователно по едно и също време на деня и в същото състояние.

Проследявайте теглото си ежедневно и не е нужно да се притеснявате за това.

Това звучи неинтуитивно, нали?

Представете си теглото си като сигнал, вариращ непрекъснато във времето. Всеки път, когато стъпите на скалата, вземате проба, превръщайки този непрекъснат сигнал в дискретен.

По същия начин, по който услугите за стрийминг на музика компресират аудио, като го вземат проби, вие компресирате данните си за тегло във формат, който е по-управляем.

Ако не вземете достатъчно проби, губите важна информация. Резултат от обработката на сигнала (наречена теорема на Найквист-Шанън) предполага, че трябва да използвате честота на дискретизация, по-голяма от две измервания на седмица (честота на дискретизация> 2/7), за да се опитате да реконструирате случващото се през седмичния времеви мащаб.

Пример. Ето две криви, показващи увеличаване на теглото в червено и отслабване в зелено.

каже

И двете криви изглеждат еднакво, ако вземете проба в две точки и се опитате да екстраполирате линията на тренда в черно.

С дневни измервания на теглото имате достатъчно проби, остава само да се справите с шума.

Можете да филтрирате шума, като вземете пълзяща средна от дневните ви измервания на теглото. Един прост тип плъзгаща средна стойност, който можете да използвате, е средната аритметична стойност на вашите предишни измервания на теглото. Препоръчвам да използвате последните 7-14 дни данни за теглото.

Пример. Да предположим, че искате да вземете 3-дневна пълзяща средна стойност и последните ви 3 измервания на теглото са били 81 кг, 80,7 кг и 81,3 кг. Тогава вашата пълзяща средна стойност е (81 + 80,7 + 81,3)/3 = 81 кг, което можете да използвате като прогноза за следващото ви измерване на теглото.

Ето сравнение на данните за измерване на реалното тегло в черно, нанесено спрямо пълзящата средна стойност в червено.

Забележете колко по-лесно е да забележите тенденцията, като погледнете пълзящата средна стойност?

Мислете за това като за плъзгане по вашите данни за теглото, изглаждане на всички неравности и спадове.

Това, което направихте миналата седмица, предсказва напредъка ви през тази седмица

Плъзгащата се средна има много приложения, във финансите често се използва за генериране на сигнали за търговия за акции. Тук го използвате, за да подкрепите вземането на решения и да предскажете бъдещото си тегло.

Точността на вашите прогнози може да бъде подобрена с помощта на техники за машинно обучение като регресия. Регресионните алгоритми се опитват да моделират връзка между независима променлива (като време) и зависима променлива (като тегло).

Ето изхода на модел, който монтирах на данни за реално тегло, използвайки регресия на билото с библиотеката scikitlearn в Python, прогнозите от модела са в зелено, а действителните стойности са в синьо.

Забележете колко близо са предсказаните стойности до действителните стойности?

Моделът не знае нищо за приема на калории, макронутриенти или упражнения; то знае само за изминалата седмица данни за теглото.

Ако имате достатъчно данни за теглото, можете да предскажете своя напредък без микроуправление на променливи и въвеждане на по-голяма сложност.

Вашето поведение е това, което влияе на вашия успех

В допълнение към проследяването на данните за теглото, можете да проследявате поведения, които влияят на теглото ви. Най-популярният начин да направите това е да използвате приложение, за да запишете приема на храна и упражненията си.

Вместо да приближавате калории и грамове протеин, трябва да разгледате поведението си на най-високо ниво:

  • Планирахте ли и проследихте храната си днес?
  • Ядохте ли много навън?
  • Останахте ли до късно снощи?

Можете да регистрирате тези поведения всеки ден с вашите данни за теглото и да използвате машинно обучение, за да идентифицирате най-важните.

Тук приложих алгоритъма XGBoost върху някои анонимизирани клиентски данни, за да класифицирам поведението им въз основа на това как влияят върху теглото, като ги класирам по важност. Обърнете внимание, че класирането не прави разлика между наддаване или отслабване, а само се интересува от това колко силно тези поведения предсказват промяна в теглото.

Можете да видите най-важните характеристики на данните, избрани от алгоритъма, са:

  1. Ям навън.
  2. Проследяване или не проследяване на макронутриенти.
  3. Въвеждане на по-агресивен калориен дефицит.

Интуитивно има смисъл: яденето навън въвежда много вариации в приема на калории, проследяването постоянно помага да се поддържа калориен дефицит, а намаляването на калориите значително насърчава загубата на тегло.

Вашето поведение е това, което влияе върху успеха ви, а не конкретните подробности за начина, по който сте настроили диетата си.

Важно е да запомните, че вашите данни могат да доведат до напълно различни заключения. Нуждаете се от много данни, за да работи това правилно, не очаквайте значими резултати, ако сте проследявали само от няколко седмици.

Този подход работи в по-дълги срокове, като 3-12 месеца, за да информира промяната в поведението и да поддържа устойчива загуба на тегло или поддържане на теглото, а не за оптимизиране на краткосрочните диети.

Как да предприемем действия по това

Ето трите неща, върху които можете да се съсредоточите в момента:

  1. Вземете проба от измерването на теглото си ежедневно в същото състояние и по едно и също време.
  2. Използвайте подвижна средна стойност, за да оцените напредъка, а не суровите данни.
  3. Бъдете съгласувани със стратегическо поведение като проследяване на приема на храна, приготвяне на ястия и приоритизиране на спокойния сън.

Можете да вземете електронна таблица за проследяване на теглото тук и точния код на Python, който използвах за неща за машинно обучение на GitHub. Свържете се с мен, ако искате помощ за настройването му.

Съсредоточете се върху важното, вземете обратно контрола

Присъединете се към моя безплатен бюлетин и ще получите доказани рамки и стратегии за овладяване на ума, тялото и въздействието във всяка област от живота ви.