اینم جواب یکی دیگه از دوستان که بازم در نوع خودش جالب بود

البته بقیه دوستان هم تحلیل هایی داشتن که شباهت همه تحلیل ها به هم در این بود که سعی کردن ببینند در گذشته چه حالتهایی شبیه ترین هستند به حالت احتمالی فردا 📕در حقیقت یکی از روش های یادگیری ماشین که به مقایسه کا-نزدیکترین-همسایه یا الگوریتم knn k nearest neighbour مشهور است از همین بینش استفاده می کنه بطور خلاصه در knn 👈اطلاعات را از کوچک به بزرگ مرتب کرده 👈و بعد داده جدید را درون داده های قبلی جایابی می کنند 👈 و بعد تعداد k تا از نزدیکترین همسایه های ان را بررسی می کنند و می گویند در بین این k همسایه چند بار بازی انجام شده و چند بار لغو شده و ان که تعدادش بیشتر هست را به عنوان نتیجه معرفی می کنند

البته الگوریتم knn نکات و ظرایفی دارد که فعلا هدف ما در این آموزش نیست مثلا در knn تعداد همسایه هایی که باید بررسی شود ان چیزی هست که ماشین باید یادبگیرد و اینکه چطور یادبگیرد یک جلسه اموزش نیاز دارد که بعدا خواهم گفت . فعلا می خواهم یک منطق دیگری را در مواجهه با این نوع داده ها بهتون معرفی کنم منطق درخت تصمیم Decision tree درخت تصمیم خود یکی از روش های یادگیری ماشین هست که بعدا مقدمه منطق جنگل های تصادفی random forest خواهد شد.

وقتی هوا ابری بوده همیشه بازی انجام شده

ما دنبال منطقی می‌گردیم‌که وقتی ان را دست هر کسی بدهیم به راحتی بتواند به کمک ان نتیجه را پیش بینی کند این منطق را در ادامه با هم استخراج می کنیم

حالا روزهای بارانی رو‌ببینید وقتی رطوبت بالا بوده باز لغو شده

خوب بذارید درخت را از همینجا شروع کنیم به ساختنش

این گام اول برای بررسی روزهای ابری

اینم گام دوم برای بررسی وضعیت بارانی

اما گام سوم بررسی روزهای آفتابی

اینم‌وضعیت روزهای آفتابی که به راحتی بر اساس وزش باد می توان نتیجه را پیش بینی کرد

خوب درخت ما کامل شد