ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕੁਝ ਸ਼ਰਤਾਂ ਅਧੀਨ ਇੱਕ ਨਿਰਭਰ ਵੇਰੀਏਬਲ 'ਤੇ ਸੁਤੰਤਰ ਕਾਰਕਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਪਹੁੰਚ ਹੈ ਕਿ ਮਾਡਲ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਆਮ ਸ਼ਬਦਾਂ ਵਿੱਚ ਮਾਡਲ ਦੇ ਇਨਪੁਟ ਦੁਆਰਾ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਪੋਸਟ ਵਿੱਚ, ਮੈਂ SALib, ਇੱਕ ਮੁਫਤ ਪਾਈਥਨ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਪੈਕੇਜ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਇੱਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਦੇਵਾਂਗਾ।
ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਜੋ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸੂਚਕਾਂਕ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਅਕਸਰ ਹਰੇਕ ਇਨਪੁਟ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸੂਚਕਾਂਕ ਦੀਆਂ ਕਈ ਕਿਸਮਾਂ ਹਨ:
- ਫਸਟ-ਆਰਡਰ ਸੂਚਕਾਂਕ: ਆਉਟਪੁੱਟ ਪਰਿਵਰਤਨ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਇੰਪੁੱਟ ਦੇ ਯੋਗਦਾਨ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।
- ਸੈਕਿੰਡ-ਆਰਡਰ ਸੂਚਕਾਂਕ: ਆਉਟਪੁੱਟ ਪਰਿਵਰਤਨ ਵਿੱਚ ਦੋ ਮਾਡਲ ਇਨਪੁਟਸ ਦੇ ਯੋਗਦਾਨ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।
- ਕੁੱਲ-ਕ੍ਰਮ ਸੂਚਕਾਂਕ: ਆਉਟਪੁੱਟ ਪਰਿਵਰਤਨ ਵਿੱਚ ਇੱਕ ਮਾਡਲ ਇੰਪੁੱਟ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਮਾਪਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਪਹਿਲੇ-ਕ੍ਰਮ ਪ੍ਰਭਾਵਾਂ (ਇਕੱਲੇ ਇੰਪੁੱਟ ਵਿੱਚ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ) ਅਤੇ ਕਿਸੇ ਵੀ ਉੱਚ-ਆਰਡਰ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।
ਸਾਲੀਬ ਕੀ ਹੈ?
ਸਾਲਿਬ ਪਾਈਥਨ ਅਧਾਰਤ ਹੈ ਓਪਨ-ਸਰੋਤ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਟੂਲਕਿੱਟ। ਇਸ ਵਿੱਚ ਇੱਕ ਨਿਰਲੇਪ ਵਰਕਫਲੋ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਗਣਿਤਿਕ ਜਾਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮਾਡਲ ਨਾਲ ਸਿੱਧਾ ਇੰਟਰੈਕਟ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, SALib ਮਾਡਲ ਆਉਟਪੁੱਟਾਂ ਤੋਂ ਮਾਡਲ ਇਨਪੁਟਸ (ਇੱਕ ਨਮੂਨਾ ਫੰਕਸ਼ਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੁਆਰਾ) ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸੂਚਕਾਂਕ (ਵਿਸ਼ਲੇਸ਼ਣ ਫੰਕਸ਼ਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੁਆਰਾ) ਦੀ ਗਣਨਾ ਕਰਨ ਦਾ ਇੰਚਾਰਜ ਹੈ।
ਇੱਕ ਆਮ SALib ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਚਾਰ ਕਦਮ ਹੁੰਦੇ ਹਨ:
- ਮਾਡਲ ਇਨਪੁਟਸ (ਪੈਰਾਮੀਟਰ) ਅਤੇ ਹਰੇਕ ਲਈ ਨਮੂਨਾ ਰੇਂਜ ਨਿਰਧਾਰਤ ਕਰੋ।
- ਮਾਡਲ ਇਨਪੁਟਸ ਬਣਾਉਣ ਲਈ, ਨਮੂਨਾ ਫੰਕਸ਼ਨ ਚਲਾਓ।
- ਤਿਆਰ ਕੀਤੇ ਇਨਪੁਟਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰੋ।
- ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸੂਚਕਾਂਕ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ, ਆਉਟਪੁੱਟ 'ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਸੋਬੋਲ, ਮੌਰਿਸ, ਅਤੇ ਫਾਸਟ ਸੈਲੀਬ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਧੀਆਂ ਵਿੱਚੋਂ ਕੁਝ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਕਾਰਕ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ ਕਿ ਦਿੱਤੀ ਗਈ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਕਿਹੜੀ ਪਹੁੰਚ ਸਭ ਤੋਂ ਵਧੀਆ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਬਾਅਦ ਵਿੱਚ ਦੇਖਾਂਗੇ। ਫਿਲਹਾਲ, ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਤੁਹਾਨੂੰ ਸਿਰਫ ਦੋ ਫੰਕਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਨਮੂਨਾ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ, ਭਾਵੇਂ ਤੁਸੀਂ ਜੋ ਵੀ ਤਕਨੀਕ ਵਰਤਦੇ ਹੋ। SALib ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਇਹ ਦਰਸਾਉਣ ਲਈ ਅਸੀਂ ਇੱਕ ਮੁਢਲੀ ਉਦਾਹਰਣ ਰਾਹੀਂ ਤੁਹਾਡੀ ਅਗਵਾਈ ਕਰਾਂਗੇ।
SALib ਉਦਾਹਰਨ - ਸੋਬੋਲ' ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ
ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਇਸ਼ੀਗਾਮੀ ਫੰਕਸ਼ਨ ਦੀ ਸੋਬੋਲ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੀ ਜਾਂਚ ਕਰਾਂਗੇ, ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਇਸਦੀ ਉੱਚ ਗੈਰ-ਰੇਖਿਕਤਾ ਅਤੇ ਗੈਰ-ਮੋਨੋਟੋਨੀਸਿਟੀ ਦੇ ਕਾਰਨ, ਇਸ਼ੀਗਾਮੀ ਫੰਕਸ਼ਨ ਨੂੰ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਧੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਕਦਮ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਜਾਂਦੇ ਹਨ:
1. SALib ਆਯਾਤ ਕਰਨਾ
ਪਹਿਲਾ ਕਦਮ ਹੈ ਲੋੜੀਂਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਜੋੜਨਾ। SALib ਦੇ ਨਮੂਨੇ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਪਾਈਥਨ ਮੋਡੀਊਲ ਵਿੱਚ ਵੱਖਰਾ ਰੱਖਿਆ ਗਿਆ ਹੈ। ਸੈਟੇਲਾਈਟ ਨਮੂਨਾ ਆਯਾਤ ਕਰਨਾ ਅਤੇ ਸੋਬੋਲ ਵਿਸ਼ਲੇਸ਼ਣ ਫੰਕਸ਼ਨ, ਉਦਾਹਰਨ ਲਈ, ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।
ਅਸੀਂ ਇਸ਼ੀਗਾਮੀ ਫੰਕਸ਼ਨ ਦੀ ਵੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ SALib ਵਿੱਚ ਇੱਕ ਟੈਸਟ ਫੰਕਸ਼ਨ ਵਜੋਂ ਉਪਲਬਧ ਹੈ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ NumPy ਨੂੰ ਆਯਾਤ ਕਰਦੇ ਹਾਂ ਕਿਉਂਕਿ SALib ਇਸਨੂੰ ਇੱਕ ਮੈਟਰਿਕਸ ਵਿੱਚ ਮਾਡਲ ਇਨਪੁਟਸ ਅਤੇ ਆਉਟਪੁੱਟ ਸਟੋਰ ਕਰਨ ਲਈ ਵਰਤਦਾ ਹੈ।
2. ਮਾਡਲ ਇੰਪੁੱਟ
ਮਾਡਲ ਇਨਪੁਟਸ ਨੂੰ ਫਿਰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ਼ੀਗਾਮੀ ਫੰਕਸ਼ਨ ਤਿੰਨ ਇਨਪੁਟਸ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ: x1, x2, ਅਤੇ x3। SALib ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਡਿਕਟ ਬਣਾਉਂਦੇ ਹਾਂ ਜੋ ਇਨਪੁਟਸ ਦੀ ਸੰਖਿਆ, ਉਹਨਾਂ ਦੇ ਨਾਮ, ਅਤੇ ਹਰੇਕ ਇਨਪੁਟ 'ਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦੇਖਿਆ ਗਿਆ ਹੈ।
3. ਨਮੂਨੇ ਅਤੇ ਮਾਡਲ ਤਿਆਰ ਕਰੋ
ਫਿਰ ਨਮੂਨੇ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ. ਸਾਨੂੰ ਸਾਲਟੈਲੀ ਸੈਂਪਲਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਮੂਨੇ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ ਕਿਉਂਕਿ ਅਸੀਂ ਸੋਬੋਲ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਰਹੇ ਹਾਂ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਪੈਰਾਮ ਮੁੱਲ ਇੱਕ NumPy ਮੈਟ੍ਰਿਕਸ ਹਨ। ਅਸੀਂ ਪੈਰਾਮ values.shape ਨੂੰ ਚਲਾ ਕੇ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਮੈਟ੍ਰਿਕਸ 8000 ਗੁਣਾ 3 ਹੈ। ਸਾਲਟੈਲੀ ਸੈਂਪਲਰ ਨਾਲ 8000 ਨਮੂਨੇ ਬਣਾਏ ਗਏ ਸਨ। ਸਾਲਟੈਲੀ ਸੈਂਪਲਰ ਨਮੂਨੇ ਬਣਾਉਂਦਾ ਹੈ, ਜਿੱਥੇ N 1024 ਹੈ (ਜੋ ਮਾਪਦੰਡ ਅਸੀਂ ਪ੍ਰਦਾਨ ਕੀਤਾ ਹੈ) ਅਤੇ D ਹੈ 3. (ਮਾਡਲ ਇਨਪੁਟਸ ਦੀ ਸੰਖਿਆ)।
ਜਿਵੇਂ ਕਿ ਪਹਿਲਾਂ ਦੱਸਿਆ ਗਿਆ ਹੈ, SALib ਗਣਿਤਿਕ ਜਾਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮਾਡਲ ਮੁਲਾਂਕਣ ਵਿੱਚ ਰੁੱਝਿਆ ਨਹੀਂ ਹੈ। ਜੇਕਰ ਮਾਡਲ ਪਾਈਥਨ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਹਰੇਕ ਨਮੂਨਾ ਇਨਪੁਟ ਨੂੰ ਲੂਪ ਕਰੋਗੇ ਅਤੇ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋਗੇ:
ਨਮੂਨੇ ਇੱਕ ਟੈਕਸਟ ਫਾਈਲ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ ਜੇਕਰ ਮਾਡਲ ਪਾਈਥਨ ਵਿੱਚ ਵਿਕਸਤ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ:
param values.txt ਵਿੱਚ ਹਰੇਕ ਲਾਈਨ ਇੱਕ ਮਾਡਲ ਇੰਪੁੱਟ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਮਾਡਲ ਦੀ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਸਮਾਨ ਸ਼ੈਲੀ ਵਿੱਚ ਕਿਸੇ ਹੋਰ ਫਾਈਲ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਹਰੇਕ ਲਾਈਨ ਉੱਤੇ ਇੱਕ ਆਉਟਪੁੱਟ ਦੇ ਨਾਲ। ਉਸ ਤੋਂ ਬਾਅਦ, ਆਉਟਪੁੱਟ ਇਸ ਨਾਲ ਲੋਡ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ:
ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ SALib ਤੋਂ Ishigami ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ। ਇਹਨਾਂ ਟੈਸਟ ਫੰਕਸ਼ਨਾਂ ਦਾ ਮੁਲਾਂਕਣ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:
4. ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ
ਅਸੀਂ ਮਾਡਲ ਨਤੀਜਿਆਂ ਨੂੰ ਪਾਈਥਨ ਵਿੱਚ ਲੋਡ ਕਰਨ ਤੋਂ ਬਾਅਦ ਅੰਤ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸੂਚਕਾਂਕ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਪਹਿਲੇ, ਦੂਜੇ, ਅਤੇ ਕੁੱਲ-ਕ੍ਰਮ ਸੂਚਕਾਂਕ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ sobol.analyze ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ।
Si ਇੱਕ ਪਾਈਥਨ ਡਿਕਸ਼ਨਰੀ ਹੈ ਜਿਸ ਵਿੱਚ “S1,” “S2,” “ST,” “S1 conf,” “S2 conf,” ਅਤੇ “ST conf” ਹਨ। _conf ਕੁੰਜੀਆਂ ਸੰਬੰਧਿਤ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਨੂੰ ਰੱਖਦੀਆਂ ਹਨ, ਜੋ ਆਮ ਤੌਰ 'ਤੇ 95 ਪ੍ਰਤੀਸ਼ਤ 'ਤੇ ਸੈੱਟ ਹੁੰਦੀਆਂ ਹਨ। ਆਉਟਪੁੱਟ ਕਰਨ ਲਈ, ਸਾਰੇ ਸੂਚਕਾਂਕ, ਕੀਵਰਡ ਪੈਰਾਮੀਟਰ ਪ੍ਰਿੰਟ ਨੂੰ console=True ਲਈ ਵਰਤੋ। ਵਿਕਲਪਕ ਤੌਰ 'ਤੇ, ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ, ਅਸੀਂ Si ਤੋਂ ਵਿਅਕਤੀਗਤ ਮੁੱਲਾਂ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰ ਸਕਦੇ ਹਾਂ।
ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ x1 ਅਤੇ x2 ਵਿੱਚ ਪਹਿਲੇ-ਆਰਡਰ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਹੈ, ਪਰ x3 ਦਾ ਕੋਈ ਵੀ ਪਹਿਲੇ-ਕ੍ਰਮ ਦੇ ਪ੍ਰਭਾਵ ਨਹੀਂ ਜਾਪਦਾ ਹੈ।
ਜੇਕਰ ਕੁੱਲ-ਆਰਡਰ ਸੂਚਕਾਂਕ ਪਹਿਲੇ-ਆਰਡਰ ਸੂਚਕਾਂਕ ਨਾਲੋਂ ਕਾਫ਼ੀ ਵੱਡੇ ਹਨ, ਤਾਂ ਉੱਚ-ਆਰਡਰ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਹੋ ਰਿਹਾ ਹੈ। ਅਸੀਂ ਦੂਜੇ-ਕ੍ਰਮ ਸੂਚਕਾਂਕ ਨੂੰ ਦੇਖ ਕੇ ਇਹਨਾਂ ਉੱਚ-ਆਰਡਰ ਇੰਟਰੈਕਸ਼ਨਾਂ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹਾਂ:
ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ x1 ਅਤੇ x3 ਦੇ ਮਹੱਤਵਪੂਰਨ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਹਨ। ਉਸ ਤੋਂ ਬਾਅਦ, ਨਤੀਜੇ ਨੂੰ ਹੋਰ ਅਧਿਐਨ ਲਈ ਇੱਕ ਪਾਂਡਾਸ ਡੇਟਾਫ੍ਰੇਮ ਵਿੱਚ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।
5. ਸਾਜ਼ਿਸ਼
ਤੁਹਾਡੀ ਸਹੂਲਤ ਲਈ, ਬੁਨਿਆਦੀ ਚਾਰਟਿੰਗ ਸਹੂਲਤਾਂ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਪਲਾਟ() ਫੰਕਸ਼ਨ ਅਗਲੀ ਹੇਰਾਫੇਰੀ ਲਈ ਮੈਟਪਲੋਟਲਿਬ ਐਕਸਿਸ ਆਬਜੈਕਟ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਸਿੱਟਾ
SALib ਇੱਕ ਵਧੀਆ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲਕਿੱਟ ਹੈ। SALib ਵਿੱਚ ਹੋਰ ਤਕਨੀਕਾਂ ਵਿੱਚ ਫੌਰੀਅਰ ਐਂਪਲੀਟਿਊਡ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਟੈਸਟ (FAST), ਮੌਰਿਸ ਵਿਧੀ, ਅਤੇ ਡੈਲਟਾ-ਮੋਮੈਂਟ ਸੁਤੰਤਰ ਮਾਪ ਸ਼ਾਮਲ ਹਨ। ਜਦੋਂ ਕਿ ਇਹ ਇੱਕ ਪਾਈਥਨ ਲਾਇਬ੍ਰੇਰੀ ਹੈ, ਇਹ ਕਿਸੇ ਵੀ ਕਿਸਮ ਦੇ ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦਾ ਇਰਾਦਾ ਹੈ।
SALib ਮਾਡਲ ਇਨਪੁਟਸ ਬਣਾਉਣ ਅਤੇ ਮਾਡਲ ਆਉਟਪੁੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤੋਂ ਵਿੱਚ ਆਸਾਨ ਕਮਾਂਡ-ਲਾਈਨ ਇੰਟਰਫੇਸ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਕਮਰਾ ਛੱਡ ਦਿਓ SALib ਦਸਤਾਵੇਜ਼ ਹੋਰ ਜਾਣਨ ਲਈ.
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ