Звучит так, как будто вы хотите провести регрессионный анализ . У вас наверняка много данных!
Регрессионный анализ - чрезвычайно распространенный метод моделирования в статистике и науке. (Можно утверждать, что статистика - это искусство и наука регрессионного анализа.) Существует множество пакетов статистики для выполнения необходимых вам вычислений. (Я бы порекомендовал один, но я уже устарел.)
Интеллектуальный анализ данных получил дурную славу, потому что слишком часто люди считают корреляцию причинной Я обнаружил, что хороший метод - начать с переменных, которые, как вы знаете, имеют влияние, и сначала построить статистическую модель вокруг них. Таким образом, вы знаете, что ветер, вес и набор высоты влияют на скорость вашего перемещения, и статистическое программное обеспечение может взять ваш набор данных и вычислить, какова корреляция между этими факторами. Это даст вам статистическую модель или линейное уравнение:
speed = x*weight + y*wind + z*climb + constant
Когда вы изучите новые переменные, вы сможете увидеть, улучшена модель или нет, сравнив метрику соответствия качества, например, R-квадрат. Так что вы можете проверить, добавляет ли температура или время суток что-либо к модели.
Возможно, вы захотите применить преобразование к вашим данным. Например, вы можете обнаружить, что вы работаете лучше в холодные дни. Но действительно холодные дни и действительно жаркие дни могут повредить производительности. В этом случае вы можете назначить температуру для бункеров или сегментов : <0 ° C; От 0 ° С до 40 ° С; > 40 ° C или что-то подобное. Ключ заключается в том, чтобы преобразовать данные так, чтобы они соответствовали рациональной модели того, что происходит в реальном мире, а не только самим данным.
Если кто-то считает, что это не связано с программированием, обратите внимание, что вы можете использовать эти же методы для анализа производительности системы.