Analysis sensibilis adhibetur ad determinandam ictum collectionis factorum independens a variabili sub certis conditionibus pendentibus.
Fortis accessus est ad determinandum quomodo exemplar output impingatur ab initibus exemplaris in verbis generalibus. In hoc poste, celerius contemplationem analyseos sensibilitatis dabo utens SALib, libera Pythonis analysi sensibilitatis sarcina.
Valor numeralis notus ut index sensitivum, saepe cuiusque initus sensus sensum repraesentat. Genera sensibilitatis multae sunt indices:
- Indices primi ordinis: collationem unius exemplaris initus ad output variatum computat.
- Indices secundi ordinis: computat collationem duorum exemplarium inputium ad variationem output.
- Totalis ordo index: quantificat exemplar input scriptor contributionem ad output variatum, comprehendens utrumque effectus primi ordinis (solum input fluctuans) et quaslibet interactiones ordinis altiores.
Quid est SALib?
SALib Est Python-fundatur aperta principium toolkit faciendi sensus censibus. Seiunctum workflow habet, quod significat non directe cum mathematico vel computatorio exemplari. Instead, SALib curam habet ut exemplar initibus (per unum functionum specimen) computando indices sensitivum (per unam functionum analysim) ex archetypi outputs.
Salib sensibilitas typica analysis quattuor gradibus consistit:
- Determinare exemplar initibus (parametris) et pro singulis exemplaribus range.
- Ad exemplar initibus creandum, munus specimen currite.
- Exemplar aestimare utens inputationibus generatis et exemplum consequitur conserva.
- Ad indices sensitivum computandum, functiones analyseos in outputs utere.
Sobol, Morris et GRAVITER paucae sunt methodi analysis sensibilitatis a SALib. Multae causae valent quae accedunt maxime ad applicationem datam, ut postea videbimus. Pro tempore, memineris te solum opus esse duobus functionibus uti, specimen et analysim, cuiuscumque artis uteris. Te ducemus per exemplum fundamentale ad illustrandum quomodo utatur SALib.
SALib Exemplum - Sobol' Sensibilitas Analysis
In hoc exemplo examinabimus sensum Sobol' muneris Ishigami, ut infra patebit. Munus Ishigami ob altitudinem nonlinearitatis et nonmonotonicity late adhibetur aestimare dubitationem et sensitivum analysis methodologiae.
Gradus eunt hoc modo;
1. Importat SALib
Primus gradus est addere bibliothecas debitas. Sample et analysis functiones SALib in modulis Pythonis distinctae servantur. Satelles specimen et munera Sobol analysis importans, exempli gratia, infra ostendetur.
Etiam munus Ishigami utimur, quod praesto est ut munus in SALib. Denique importamus NumPy sicut SALib utitur ad exemplar inputs et outputs in matrice condo.
2. Input exemplum
Exemplar initibus tum definiendum est. Munus Ishigami tres inputationes accipit: x1, x2, x3. In SALib construimus dictum quod numerum initibus, nominibus et limitibus singulis input notificat, ut infra visum est.
3 Generate Exempla et Model
Exempla tunc generata sunt. Exempla creare opus est utendo exemplo Saltelli, cum analysin sensibilitatem Sobol agimus. Hoc in casu, valores param NumPy matrix sunt. Observare possumus matricem esse 8000 per 3 currendo param valorum. 8000 exemplaria cum Saltelli sampler creata sunt. Specimen Saltelli exemplaria gignit, ubi N est 1024 (modum parametri sumus) et D est 3. (numerus exemplarium inputs).
SALib, ut ante dictum est, non versatur in exemplar mathematico vel computatorio aestimatione. Exemplar si in Pythone scriptum est, typice pertractes per singulas initus specimen et exemplum perpendes:
Exempla salvari possunt in textu tabellae si exemplar in Pythone non evolvatur:
Quaelibet linea in param values.txt unum exemplar initus repraesentat. Exemplar output in simili stilo alteri fasciculi servatum esse debet, uno in utraque linea posito. Deinde, outputs onerari possunt;
In hoc exemplo, munus Ishigami ex SALib utendum est. Hae functiones testium hoc modo aestimari possunt:
4. Praestare Analysis
Tandem indices sensitivos computare possumus postquam exemplum consequitur in Pythone oneratum. In hoc exemplo sobol.analyse utemur ad indices primos, secundos et totali-ordinis computandos.
Si est Dictionarium Python habens claves "S1," "S2, "ST, "S1 conf," "S2 conf," et "ST conf." Claves _conf fiduciam tenent consociata intervalla, quae plerumque ad 95 percent constituuntur. Ad output, omnes indices, keyword modulo print utere ad consolandum=Verum. Vel, ut infra illustratur, singulos valores imprimere licet a Si.
Videre possumus x1 et x2 sensitivum primi ordinis habere, sed x3 non apparentibus aliquem impulsum primi ordinis habere.
Si indices universi ordinis significanter maiores sunt quam indices primi ordinis, certissime fiunt interationes altioris ordinis. Has videre possumus commercia altiores ordinis inspiciendo indices secundum ordinem:
Observare possumus x1 et x3 significantes interationes habere. Deinde, effectus potest ad Pandas DataFrame ulterioris studii converti.
5. Plotting
Ad tuum commodum, basic charting facultates praebentur. Munus () munus praebet axem matplotlib ad manipulationem subsequentem.
Conclusio
SALib est analyseos sensus sophisticated toolkit. Aliae artes in SALib includuntur in Fourieriani Amplitudinis Sensitivity Test (FAST), Methodus Morris, et Mensura Independentia Delta-Moment. Dum Python bibliotheca est, cuiusvis generis exemplaribus operari destinatur.
SALib facile-usus imperium-linea interface praebet ad exemplar initibus faciendis et exemplar outputs perpendendis. Reprehendo sicco SALib documenta discere magis.
Leave a Reply