sens_sobol — MULTIVAR `sensitivity` op

• 데이터 종류: design × signal → table

• 호출: import fullseye as fs; fs.ledger.sens_sobol(design=None, y=None, n_boot=500, level=0.95, seed=0) -> 'dict'(구현을 직접 호출하려면 import sensitivity; sensitivity.sens_sobol(design=None, y=None, n_boot=500, level=0.95, seed=0) -> 'dict', 원장에서 가져오려면 opsmultivar.get("sens_sobol"))

사용법

1차 및 전체 Sobol' 지수(부트스트랩 신뢰구간 포함).

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

From the outputs on a doe_saltelli design (blocks A, B, A_B^(i)):

• S1_i = (1/N) sum_j f(B)_j (f(A_B^(i))_j - f(A)_j) / V (Saltelli et al. 2010, Table 2 (b));

• ST_i = (1/(2N)) sum_j (f(A)_j - f(A_B^(i))_j)^2 / V (Jansen 1999; Saltelli et al. 2010, Table 2 (f));

• V = variance of the outputs at A and B together.

S1 is the share of output variance a factor explains alone; ST adds every interaction it takes part in. ST ~ 0 means the factor can be fixed anywhere in its range; ST - S1 large means it acts through interactions. Confidence intervals come from n_boot bootstrap resamples of the N rows (the same row index across A, B and A_B^(i)) at level. The sum of S1 (sum_s1) is <= 1 up to estimation error; a value far below 1 says interactions carry the rest.

자세한 사용 가이드

• design_of_experiments 패밀리 가이드

참고(샘플 데이터·문헌)

• 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.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• sensitivity_tour — py -3.11 examples/sensitivity_tour.py

타입이 이어지는 다음 연산자(`table` 를 입력으로 받는 것)

—

같은 카테고리(`sensitivity`)

doe_morris · sens_morris · doe_saltelli

*Provenance: sensitivity.py — MULTIVAR 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

sens_sobol — MULTIVAR sensitivity op

사용법