د حساسیت تحلیل د ځانګړو شرایطو لاندې په متغیر متغیر باندې د خپلواک فکتورونو د راټولولو اغیزې ټاکلو لپاره کارول کیږي.
دا د دې معلومولو لپاره یو قوي تګلاره ده چې د ماډل محصول په عمومي شرایطو کې د ماډل آخذو لخوا څنګه اغیزه کیږي. پدې پوسټ کې ، زه به د SALib په کارولو سره د حساسیت تحلیلونو ګړندي کتنه وړاندې کړم ، د Python حساسیت تحلیلي کڅوړه وړیا.
یو شمیري ارزښت چې د حساسیت شاخص په نوم پیژندل کیږي، په مکرر ډول د هر ان پټ حساسیت استازیتوب کوي. د حساسیت شاخصونو ډیری ډولونه شتون لري:
- د لومړي ترتیب شاخصونه: د محصول توپیر ته د واحد ماډل ان پټ ونډه محاسبه کوي.
- د دوهم ترتیب شاخصونه: د محصول توپیر لپاره د دوه ماډل ان پټونو ونډه محاسبه کوي.
- د ټول نظم شاخص: د محصول توپیر کې د ماډل ان پټ ونډې اندازه کوي ، د لومړي ترتیب اغیزې دواړه پکې شامل دي (یوازې د ننوتلو بدلون) او د لوړ ترتیب تعاملات.
سالیب څه شی دی؟
سالیب د Python پر بنسټ دی د پرانستې-سرچینې د حساسیت ارزونو ترسره کولو لپاره اوزار کټ. دا یو جلا کاري فلو لري، پدې معنی چې دا د ریاضي یا کمپیوټري ماډل سره مستقیم تعامل نه کوي. پرځای یې، SALib د ماډل آخذونو د تولید مسؤلیت لري (د نمونې د یوې دندې له لارې) او د حساسیت شاخصونه (د تحلیلي فعالیتونو څخه د یوې له لارې) د ماډل محصولاتو څخه.
د سلیب حساسیت تحلیل څلور مرحلې لري:
- د ماډل داخلونه (پیرامیټونه) او د هر یو لپاره د نمونې سلسله مشخص کړئ.
- د ماډل ان پټونو رامینځته کولو لپاره ، د نمونې فعالیت پرمخ وړئ.
- د تولید شوي معلوماتو په کارولو سره ماډل ارزونه وکړئ او د ماډل پایلې خوندي کړئ.
- د حساسیت شاخصونو محاسبه کولو لپاره، په محصولاتو کې د تحلیل فعالیت وکاروئ.
سوبول، موریس، او FAST یوازې د حساسیت تحلیلي میتودونو څخه دي چې د سالیب لخوا چمتو شوي. ډیری فکتورونه تاثیر کوي چې کوم طریقه د ورکړل شوي غوښتنلیک لپاره غوره ده، لکه څنګه چې موږ به وروسته وګورو. د اوس لپاره ، په یاد ولرئ چې تاسو اړتیا لرئ یوازې دوه دندې وکاروئ ، نمونه او تحلیل کړئ ، پرته لدې چې تاسو کوم تخنیک کاروئ. موږ به تاسو ته د یو بنسټیز مثال له لارې لارښوونه وکړو ترڅو د سالیب کارولو څرنګوالی روښانه کړو.
د سالیب بیلګه – د سوبول حساسیت تحلیل
په دې مثال کې، موږ به د ایشیګامي فعالیت سوبول حساسیت معاینه کړو، لکه څنګه چې لاندې ښودل شوي. د دې د لوړ غیر خطي او غیر مونوټونکیت له امله ، د ایشیګامي فعالیت په پراخه کچه د ناڅرګندتیا او حساسیت تحلیل میتودونو ارزولو لپاره کارول کیږي.
مرحلې په لاندې ډول پرمخ ځي:
1. د سالیب واردول
لومړی ګام د اړین کتابتونونو اضافه کول دي. د SALib نمونې او تحلیلي دندې د Python ماډلونو کې جلا ساتل کیږي. د سپوږمکۍ نمونې واردول او د سوبول تحلیلي فعالیتونه، د بیلګې په توګه، لاندې ښودل شوي.
موږ د Ishigami فنکشن هم کاروو، کوم چې په SALib کې د ازموینې فعالیت په توګه شتون لري. په نهایت کې ، موږ NumPy واردوو ځکه چې SALib دا په میټریکس کې د ماډل ان پټو او محصولاتو ذخیره کولو لپاره کاروي.
2. د ماډل داخلول
بیا د ماډل داخلونه باید تعریف شي. د Ishigami فنکشن درې آخذې مني: x1، x2، او x3. په سالیب کې، موږ یو ډیکټ جوړوو چې د ننوتلو شمیره، د هغوی نومونه، او د هر انپټ محدودیت مشخص کوي، لکه څنګه چې لاندې لیدل کیږي.
3. نمونې او ماډل تولید کړئ
بیا نمونې تولید کیږي. موږ اړتیا لرو د سالټیلي نمونې په کارولو سره نمونې رامینځته کړو ځکه چې موږ د سوبول حساسیت تحلیل کوو. په دې حالت کې، د پیرم ارزښتونه د NumPy میټرکس دي. موږ لیدلی شو چې د پارم ارزښتونو په چلولو سره میټریکس 8000 x 3 دی. د سالټیلي نمونې سره 8000 نمونې جوړې شوې. د سالټلي نمونه اخیستونکي نمونې رامینځته کوي ، چیرې چې N 1024 دی (هغه پیرامیټر چې موږ چمتو کړی) او D 3 دی (د ماډل داخلونو شمیر).
لکه څنګه چې مخکې وویل شول، سالیب د ریاضي یا کمپیوټري ماډل ارزونې کې ښکیل نه دی. که موډل په Python کې لیکل شوی وي، تاسو به عموما د هرې نمونې ان پټ له لارې لوپ کړئ او ماډل ارزونه وکړئ:
نمونې د متن فایل کې خوندي کیدی شي که چیرې ماډل په Python کې رامینځته شوی نه وي:
په param values.txt کې هره کرښه د یو ماډل ان پټ استازیتوب کوي. د ماډل محصول باید په ورته سټایل کې بل فایل ته خوندي شي ، په هره کرښه کې د یو محصول سره. له هغې وروسته، پایلې ممکن د دې سره بار شي:
په دې مثال کې، موږ به د سالیب څخه د ایشیګامي فعالیت وکاروو. د دې ازموینې دندې په لاندې ډول ارزول کیدی شي:
4. تحلیل ترسره کړئ
موږ کولی شو په پای کې په پایتون کې د ماډل پایلو بارولو وروسته د حساسیت شاخصونه محاسبه کړو. په دې مثال کې، موږ به sobol.analyze وکاروو ترڅو د لومړي، دویم، او ټول ترتیب شاخصونه محاسبه کړو.
Si د Python قاموس دی چې د "S1"، "S2" "ST" "S1 conf" "S2 conf" او "ST conf" کلیدونه لري. د _conf کیلي د باور سره تړلي وقفې لري، کوم چې عموما 95 سلنې ته ټاکل کیږي. د ټولو شاخصونو د تولید لپاره، د کلیدي کلمې پیرامیټر چاپ د کنسول=True لپاره وکاروئ. په بدیل سره، لکه څنګه چې لاندې ښودل شوي، موږ کولی شو انفرادي ارزښتونه له Si څخه چاپ کړو.
موږ وینو چې x1 او x2 د لومړي امر حساسیت لري، مګر x3 داسې نه ښکاري چې د لومړي امر اغیزې ولري.
که چیرې د ټول ترتیب شاخصونه د لومړي ترتیب شاخصونو څخه د پام وړ لوی وي، د لوړ ترتیب تعاملات په واقعیت سره ترسره کیږي. موږ کولی شو دا د لوړ ترتیب تعاملات د دوهم ترتیب شاخصونو په لیدو سره وګورو:
موږ لیدلی شو چې x1 او x3 د پام وړ تعاملات لري. له هغې وروسته، پایله ممکن د نورو مطالعې لپاره د پانډاس ډیټا فریم ته بدله شي.
5. پلاټ کول
ستاسو د اسانتیا لپاره، بنسټیز چارټینګ اسانتیاوې چمتو شوي. د پلاټ () فنکشن د matplotlib محور توکي د راتلونکي مینځلو لپاره تولیدوي.
پایله
سالیب یو پیچلي حساسیت تحلیلي وسیله ده. په SALib کې نور تخنیکونه د فویریر طول حساسیت ازموینه (FAST)، د موریس میتود، او د ډیلټا-مومینټ خپلواک اندازه شامل دي. پداسې حال کې چې دا د Python کتابتون دی، دا د هر ډول ماډلونو سره کار کولو لپاره دی.
SALib د ماډل ان پټونو رامینځته کولو او د ماډل محصولاتو ارزولو لپاره د کارولو اسانه کمانډ لاین انٹرفیس وړاندې کوي. بشپړ ی وګوره د سالیب اسناد چې ډېر څه زده کړي.
یو ځواب ورکړئ ووځي