sensitivity op• 데이터 종류: 없음 → design(인자만으로 정해지는 연산자 —— 이미지나 데이터 입력을 받지 않습니다)
• 호출: import fullseye as fs; fs.ledger.doe_morris(r=10, factors=4, levels=4, seed=0, n_candidates=0) -> 'dict'(구현을 직접 호출하려면 import sensitivity; sensitivity.doe_morris(r=10, factors=4, levels=4, seed=0, n_candidates=0) -> 'dict', 원장에서 가져오려면 opsmultivar.get("doe_morris"))
Morris 한 번에 한 인자 선별 설계: k+1회 궤적 r개 -> design.
> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.
Each trajectory starts at a random point of the levels-level grid on the unit cube and moves one factor at a time by delta = levels / (2 (levels - 1)) (Morris 1991; with an even levels every grid level is equally likely to be visited), so r (k+1) runs give r elementary effects per factor. n_candidates > r draws that many trajectories and keeps r of them that are spread out: the trajectory distance of Campolongo et al. 2007 (sum over point pairs of their Euclidean distances), chosen greedily — a pair of the farthest trajectories first, then repeatedly the trajectory that adds the most distance (an approximation of their exhaustive search, stated in meta['selection']).
The coded matrix is 2u - 1 of the unit-cube points; meta keeps the trajectory bookkeeping that sens_morris needs (changed factor and sign per step).
• design_of_experiments 패밀리 가이드
• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.
• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.
• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.
• sensitivity_tour — py -3.11 examples/sensitivity_tour.py
design 를 입력으로 받는 것)doe_decode · rsm_fit · doe_main_effects · sens_morris · sens_sobol
sensitivity)sens_morris · doe_saltelli · sens_sobol
*Provenance: sensitivity.py — MULTIVAR 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.