Машинное обучение в астрологии

Традиционная астрология столетиями опиралась на интуицию, круглые карты и толстые эфемериды.
Сегодня машинное обучение (ML) вторгается в сферу «звёздных предсказаний», обещая точность, масштабируемость и новые открытия.
Разберёмся, что реально работает, где заканчивается наука и где начинается маркетинг.

Зачем астрологии нужен ML?

• Объём данных: ежедневно формируются миллионы гороскопов, натальных карт и транзитов. Руками не охватить;
• Персонализация: клиент хочет «свой» прогноз, а не общий текст на все знаки.
• Тестирование гипотез: корреляции аспектов и событий жизни можно проверить статистически.

Какие задачи решают алгоритмы

Классификация личности

Модель: градиентный бустинг (CatBoost/XGBoost) по 40+ планетарным признакам.
Цель: предсказать, например, экстраверсию по результатам теста Big Five.
Результат: F1 ≈ 0,62 — выше случайного, но ниже психологических опросников.

Прогнозирование событий

Датасет: 50 000 биографий Википедии + расчитанные космограммы.
Метод: RNN с attention-механизмом по временным рядам транзитов.
Классы событий: брак, развод, смена профессии, публикация книги.
Точность: 0,41 (baseline — 0,23). Статистика плохо масштабируется на индивидов.

Генерация текстов гороскопов

Используются трансформеры (GPT-подобные модели) дообученные на корпусе из 3 млн текстов.
Пример вывода:

«Сегодня Венера в секстиле к вашему Солнцу — прекрасный день для романтического признания!»

Пользователи оценивают «человечность» текста в 4,2/5, но не могут отличить от «ручного».

Где берут данные

1. Открытые астрономические каталоги: NASA JPL, Swiss Ephemeris.
2. Соцсети и форумы: добровольцы делятся датами рождения и событиями.
3. Гороскоп-приложения: 60 млн анкет — золотая жила для рекламных подборок.
4. Оцифрованные книги: 200 лет изданий «Астрологического календаря».

Инструменты и стек разработчика

Этические ловушки

• Фильтр «плохих» прогнозов: алгоритм может «увидеть» болезнь или смерть — что делать?
• Дискриминация по дате рождения: страховка отказывает, если транзиты «неблагоприятны».
• Псевдонаучная легитимация: «ИИ подтвердил астрологию», манипуляция и clickbait.

Самые яркие стартапы

Pattern

Американский сервис: использует k-means для кластеризации «совместимости» пользователей.

Nebulos

Берлинский проект: обучает трансформер на 12 млн натальных карт + последующих биографиях.

AstroData (РФ)

Российская платформа: CatBoost-классификатор для выявления «карьерных вех».

Что работает, а что — фантазия

✅ Работает:

• Кластеризация пользователей по частоте обращений к определённым темам.
• Автогенерация маркетинговых текстов с персональными имя-датами.
• Обнаружение аномалий в больших корпусах исторических событий.

❌ Пока фантазия:

• Точное предсказание дня свадьбы конкретного человека.
• Различение близнецов по астрограмме (те же данные!).
• Экстраполяция на 20 лет вперёд (датасет быстро устаревает).

Как самому попробовать: мини-чек-лист

1. Установите библиотеку flatlib:

pip install flatlib

2. Сгенерируйте CSV: дата-время рождения + целевая переменная (0/1 — «успешный»/«нет»).
3. Добавьте признаки: аспекты, дома, лунные фазы.
4. Обучите baseline-логистическую регрессию и посмотрите на ROC-AUC.
5. Сравните с перемешанными датами рождения, так вы увидите, есть ли сигнал.

Машинное обучение не «доказало» астрологию.
Оно лишь показывает, что даже в «мистике» есть статистические паттерны — но они слабы и громоздки.
Этот союз полезен как инструмент персонализации контента и исследования больших данных, а не как источник фатальных предсказаний.
И главное: всегда держите в голове научный скепсис и этику, даже если ваш алгоритм «увидел» в натальной карте «Пулю судьбы».