doe_main_effects — MULTIVAR `analysis` op

• 데이터 종류: design × signal → table

• 호출: import fullseye as fs; fs.ledger.doe_main_effects(design=None, y=None, goal='larger') -> 'dict'(구현을 직접 호출하려면 import multivar; multivar.doe_main_effects(design=None, y=None, goal='larger') -> 'dict', 원장에서 가져오려면 opsmultivar.get("doe_main_effects"))

사용법

인자별 수준 평균(계획 실험의 반응표)과 산포·SN 비.

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

y is (n,) or (n, r) with r repeated measurements (or noise-array conditions) per run. For each factor and level: the mean of y (location), the mean of log s over the runs at that level (dispersion, needs r >= 2), the main-effect range (max - min of the level means) and its share of the total sum of squares.

SN ratios are computed per run (Taguchi): larger-the-better -10 log10(mean(1/y^2)) (the same formula as spc.spc_mt_sn_ratio, reused), smaller-the-better -10 log10(mean(y^2)), nominal-the-best 10 log10(ybar^2/s^2), and their level means are reported in sn. They are not the basis of the recommended levels: an SN ratio mixes location and dispersion in one number, and a level can raise it by lowering the mean (Box 1988; Nair 1992). best_levels chooses from the location table by goal ("larger", "smaller", or "nominal" — which picks the levels of smallest dispersion and leaves the mean to an adjustment factor), and sn_agrees says where the SN table would have chosen differently.

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)

• multivar_inspection_tour — py -3.11 examples/multivar_inspection_tour.py

타입이 이어지는 다음 연산자(`table` 를 입력으로 받는 것)

—

같은 카테고리(`analysis`)

mv_pca · mv_pls · rsm_fit

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

doe_main_effects — MULTIVAR analysis op

사용법