敏感性分析一览

于 2023-10-01 09:00:00 发布
阅读量853 收藏 14
点赞数 1
分类专栏： python 文章标签： 算法 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43166192/article/details/133296255
版权

敏感性分析


注：最后两种暂时还没有集成到SALib1.4.7中，需要手动添加官网相关代码。
已手动整理相关代码， 此处跳转。

一个模型有自变量（输入数据）和因变量（输出结果），因变量随自变量的变化而变化，其变化程度与自变量、因变量两者之间关系的强弱决定，敏感性分析便是对强弱关系进行定量讨论，通常将其定量结果称为敏感指数。

敏感指数由三种形式组成。一阶指数衡量单个自变量对因变量方差的贡献；二阶指数衡量两个自变量之间的交互作用对因变量方差的贡献；全阶指数衡量衡量所有自变量（包括一阶效应和其他高阶交互作用）对因变量方差的贡献。

为了方便进行敏感性分析，我们使用Python的敏感性分析库SALib完成计算工作，其包含若干个分析方案，具体如下。

所有方法均以以下相同problem为自变量
定义自变量

problem = {
    'num_vars': 3,
    'names': ['x1', 'x2', 'x3'],
    'bounds': [[-3.14159265359, 3.14159265359],
               [-3.14159265359, 3.14159265359],
               [-3.14159265359, 3.14159265359]]
}

Sobol

# 生成自变量
SALib.sample.sobol.sample(problem: Dict, N: int, *, calc_second_order: bool = True, scramble: bool = True, skip_values: int = 0, seed: int | Generator | None = None)
"""
problem: 自变量定义
N: 样本数量，建议为2的倍数，且不大于skip_values
calc_second_order: 是否需要二阶指数计算，默认为True
scramble: 是否添加干扰，默认为True
skip_values: 需要跳过的序列数目，建议为2的倍数，默认是0
seed: 随机种子
"""

# 敏感分析
SALib.analyze.sobol.analyze(problem, Y, calc_second_order=True, num_resamples=100, conf_level=0.95, print_to_console=False, parallel=False, n_processors=None, keep_resamples=False, seed=None)
"""
problem: 自变量定义
Y: 因变量
calc_second_order: 是否需要二阶指数计算，默认为True
num_resamples: 重采样次数，默认为100
conf_level: 置信区间水平，默认为0.95
print_to_console： 是否输出到操作台，默认为False
parallel: 是否并行分析，默认为False
n_processors: 并行进程数，当parallel=True时使用
keep_resamples: 是否存储中间重采样结果，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
#     'S1': 
#     	array([0.31683154, 0.44376306, 0.01220312]), 
#     'S1_conf': 
#     	array([0.0612548 , 0.05702573, 0.05750855]), 
#     'ST': 
#     	array([0.55586009, 0.44189807, 0.24467539]), 
#     'ST_conf': 
#     	array([0.07651133, 0.04224496, 0.02889387]), 
#     'S2': 
#     	array([[        nan,  0.00925429,  0.23817211],
#        	   [        nan,         nan, -0.0048877 ],
#        	   [        nan,         nan,         nan]]), 
#     'S2_conf': 
#     	array([[       nan, 0.08265217, 0.11277348],
#        	   [       nan,        nan, 0.06331599],
#        	   [       nan,        nan,        nan]])
# }

请添加图片描述

Morris

# 生成自变量
SALib.sample.morris.sample(problem: Dict, N: int, num_levels: int = 4, optimal_trajectories: int = None, local_optimization: bool = True, seed: int = None)
"""
problem: 自变量定义
N: 轨迹数量
num_levels: 网格层数，偶数，默认为4
optimization_trajectories: 要采样的最佳轨迹数量，范围为2到N
local_optimization: 是否使用局部优化，默认为True
seed: 随机种子
"""

# 敏感分析
SALib.analyze.morris.analyze(problem: Dict, X: ndarray, Y: ndarray, num_resamples: int = 100, conf_level: float = 0.95, scaled: bool = False, print_to_console: bool = False, num_levels: int = 4, seed=None)
"""
problem: 自变量定义
X: 自变量
Y: 因变量
calc_second_order: 是否需要二阶指数计算，默认为True
num_resamples: 重采样次数，默认为100
conf_level: 置信区间水平，默认为0.95
print_to_console： 是否输出到操作台，默认为False
parallel: 是否并行分析，默认为False
n_processors: 并行进程数，当parallel=True时使用
keep_resamples: 是否存储中间重采样结果，默认为False
seed: 随机种子
"""

# 结果
print(Si)
#           mu   mu_star     sigma  mu_star_conf
# x1  7.354122  7.354122  6.242112  3.968815e-01
# x2 -0.110250  7.875000  7.878168  5.248703e-15
# x3  0.362430  6.486250  9.000676  3.725592e-01
# {
#     'names': ['x1', 'x2', 'x3'], 
#     'mu': array([ 7.35412153, -0.11025   ,  0.36243017]), 
#     'mu_star': masked_array(
#         data=[7.354121529806647, 7.875000000000724, 6.4862503552631114],
#         mask=[False, False, False],
#         fill_value=1e+20), 
#     'sigma': array([6.24211213, 7.87816828, 9.000676  ]), 
#     'mu_star_conf': masked_array(
#         data=[0.39688154270651804, 5.248702595241132e-15, 0.37255924946508345],
#         mask=[False, False, False],
#         fill_value=1e+20)
# }

请添加图片描述

Fourier Amplitude Sensitivity Test (FAST)

# 生成自变量
SALib.sample.fast_sampler.sample(problem, N, M=4, seed=None)
"""
problem: 自变量定义
N: 样本数量
M: 干扰参数，默认为4
seed: 随机种子
"""

# 敏感分析
SALib.analyze.fast.analyze(problem, Y, M=4, num_resamples=100, conf_level=0.95, print_to_console=False, seed=None)
"""
problem: 自变量定义
Y: 因变量
M: 干扰参数，默认为4
num_resamples: 重采样次数，默认为100
conf_level: 置信区间水平，默认为0.95
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
#     'S1': [0.3081232160181247, 0.4420505304594682, 1.0406181235617822e-28], 
#     'ST': [0.5519123814033295, 0.46920370910272835, 0.23930621330436663],
#     'S1_conf': [0.013434507989869757, 0.015813518018138756, 0.015093897483613204], 
#     'ST_conf': [0.041141026199615446, 0.04117206451357777, 0.04071053209490691],
#     'names': ['x1', 'x2', 'x3']
# }

请添加图片描述

Random Balance Designs - Fourier Amplitude Sensitivity Test (RBD-FAST)

# 生成自变量
SALib.sample.latin.sample(problem, N, seed=None)
"""
problem: 自变量定义
N: 样本数量
seed: 随机种子
"""

# 敏感分析
SALib.analyze.rbd_fast.analyze(problem, X, Y, M=10, num_resamples=100, conf_level=0.95, print_to_console=False, seed=None)
"""
problem: 自变量定义
X: 自变量
Y: 因变量
M: 干扰参数，默认为4
num_resamples: 重采样次数，默认为100
conf_level: 置信区间水平，默认为0.95
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
#     'S1': [0.31806056031674595, 0.4450789986938868, 1.5359880927191816e-06],
#     'S1_conf': [0.0556645519811434, 0.07578207765070516, 0.0214559062090626],
#     'names': ['x1', 'x2', 'x3']
# }

请添加图片描述

Delta Moment-Independent Measure

# 敏感分析
SALib.analyze.delta.analyze(problem: Dict, X: ndarray, Y: ndarray, num_resamples: int = 100, conf_level: float = 0.95, print_to_console: bool = False, seed: int = None, y_resamples: int = None, method: str = 'all')
"""
problem: 自变量定义
X: 自变量
Y: 因变量
num_resamples: 重采样次数，默认为100
conf_level: 置信区间水平，默认为0.95
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
y_resamples: 重采样时使用的样本数
method: 计算"delta"、"sobol"或两者"all"，默认为all
"""

# 结果
print(Si)
#        delta  delta_conf        S1   S1_conf
# x1  0.194729    0.021577  0.302742  0.039161
# x2  0.254878    0.022195  0.313650  0.052195
# x3  0.134645    0.020917  0.006901  0.010473
# {
#     'delta': array([0.19472928, 0.25487771, 0.13464494]), 
#     'delta_conf': array([0.02157656, 0.02219531, 0.02091679]), 
#     'S1': array([0.30274202, 0.31365005, 0.00690086]), 
#     'S1_conf': array([0.03916104, 0.0521946 , 0.01047288]), 
#     'names': ['x1', 'x2', 'x3']
# }

请添加图片描述

Derivative-based Global Sensitivity Measure (DGSM)

# 敏感分析
SALib.analyze.dgsm.analyze(problem, X, Y, num_resamples=100, conf_level=0.95, print_to_console=False, seed=None)
"""
problem: 自变量定义
X: 自变量
Y: 因变量
num_resamples: 重采样次数，默认为100
conf_level: 置信区间水平，默认为0.95
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
#     'vi': array([ 7.73312725, 24.37534083, 11.34887321]), 
#     'vi_std': array([16.43522688, 17.35675534, 24.40109617]), 
#     'dgsm': array([2.24329014, 7.07100245, 3.29217592]), 
#     'dgsm_conf': array([1.01703239, 1.0872397 , 1.60391344]), 
#     'names': ['x1', 'x2', 'x3']
# }

请添加图片描述

Fractional Factorial Sensitivity Analysis

# 生成自变量
SALib.sample.ff.sample(problem, seed=None)
"""
problem: 自变量定义
seed: 随机种子
"""

# 敏感分析
SALib.analyze.ff.analyze(problem, X, Y, second_order=False, print_to_console=False, seed=None)
"""
problem: 自变量定义
X: 自变量
Y: 因变量
second_order: 是否需要二阶指数计算，默认为True
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
#     'names': ['x1', 'x2', 'x3', 'dummy_0'], 
#     'ME': array([-2.22146819e-12,  0.00000000e+00,  0.00000000e+00,  0.00000000e+00]), 
#     'interaction_names': [('x1', 'x2'), ('x1', 'x3'), ('x2', 'x3'), ('x1', 'dummy_0'), ('x2', 'dummy_0'), ('x3', 'dummy_0')], 
#     'IE': [0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
# }

请添加图片描述

High Dimensional Model Representation

# 敏感分析
SALib.analyze.hdmr.analyze(problem: Dict, X: ndarray, Y: ndarray, maxorder: int = 2, maxiter: int = 100, m: int = 2, K: int = 20, R: int = None, alpha: float = 0.95, lambdax: float = 0.01, print_to_console: bool = False, seed: int = None)
"""
problem: 自变量定义
X: 自变量，长度为N
Y: 因变量
maxorder: 最大扩展阶数，范围1-3，默认为2
maxiter: 最大拟合迭代次数，范围1-1000，默认为100
m: B-spline间隔数，范围2-10，默认为2
K: bootstrap迭代次数，范围1-100，默认为20
R: bootstrap样本数，范围100-N/2。默认为N/2，当K为1，R默认为Y的长度
alpha: 置信区间 F 检验，默认为0.95
lambdax: 正则化项，范围0-10，默认0.01
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
#     'Sa': array([0.32098624, 0.32706979, 0.00551071, 0.01372589, 0.22420121,
#        0.03167076]), 
#     'Sa_conf': array([0.03449847, 0.03054272, 0.008012  , 0.00690539, 0.03165136,
#        0.01684393]), 
#     'Sb': array([ 0.01875264, -0.01008509, -0.00085121,  0.00878864,  0.01348094,
#         0.03473462]), 
#     'Sb_conf': array([0.0214207 , 0.03050578, 0.00305786, 0.00632993, 0.02066726,
#        0.02149721]), 
#     'S': array([0.33005615, 0.33421506, 0.00512609, 0.01459155, 0.20722952,
#        0.04286532]), 
#     'S_conf': array([0.03056583, 0.03283559, 0.0086171 , 0.00692596, 0.0308207 ,
#        0.02360502]), 
#     ...............
#     ...............
# }

请添加图片描述
请添加图片描述
请添加图片描述

PAWN

# 敏感分析
SALib.analyze.pawn.analyze(problem: Dict, X: ndarray, Y: ndarray, S: int = 10, print_to_console: bool = False, seed: int = None)
"""
problem: 自变量定义
X: 自变量，长度为N
Y: 因变量
S: 调节间隔，默认为10
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
#     'minimum': array([0.172, 0.215, 0.07 ]), 
#     'mean': array([0.2446899 , 0.35838889, 0.12805354]), 
#     'median': array([0.261 , 0.3875, 0.114 ]), 
#     'maximum': array([0.359, 0.489, 0.257]), 
#     'CV': array([0.24174122, 0.26268279, 0.40149537]), 
#     'names': ['x1', 'x2', 'x3']
# }

请添加图片描述

Regional Sensitivity Analysis

# 敏感分析
SALib.analyze.rsa.analyze(problem: Dict, X: ndarray, Y: ndarray, bins: int = 20, target: str = 'Y', print_to_console: bool = False, seed: int = None)
"""
problem: 自变量定义
X: 自变量
Y: 因变量
bins: 使用的箱数，默认为20
target: 评估自变量（"X"）或因变量（"Y"），默认为"Y"
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
# 'x1': array([ 0.89094312,  0.76391302,  0.6901172 ,  0.07445683,  0.00810598,
#        -0.02019611, -0.01031206, -0.02119982, -0.01553581,  0.00392679,
#        -0.00631403,  0.01199807, -0.0249512 ,  0.01452995,  0.11153721,
#        -0.01175163,  0.3564372 ,  0.57950908,  0.78215635,  1.        ]), 
# 'x2': array([ 0.04154606,  0.0830033 ,  0.09267739,  0.05356006,  0.05618751,
#         0.02343257,  0.0891207 ,  0.02911934, -0.00066498, -0.01310919,
#        -0.00965545, -0.00484718,  0.00592457, -0.00896379,  0.06430754,
#         0.09513276,  0.05469668,  0.05782315,  0.0256584 ,  0.03686238]), 
# 'x3': array([ 0.83197838,  0.0348991 ,  0.03329039,  0.02259925,  0.01671094,
#         0.01156657,  0.014363  ,  0.01250926, -0.02117361,  0.00110074,
#        -0.01738245,  0.02128902, -0.00589163, -0.01071005,  0.04296997,
#         0.01399239,  0.00837767, -0.00838735,  0.04364362,  0.79882026]), 
# 'names': ['x1', 'x2', 'x3'], 
# 'bins': array([0.  , 0.05, 0.1 , 0.15, 0.2 , 0.25, 0.3 , 0.35, 0.4 , 0.45, 0.5 ,
#        0.55, 0.6 , 0.65, 0.7 , 0.75, 0.8 , 0.85, 0.9 , 0.95]), 
# 'target': 'Y'
# }

请添加图片描述

Discrepancy Sensitivity Indices

# 敏感分析
SALib.analyze.discrepancy.analyze(problem: Dict, X: ndarray, Y: ndarray, method: str = 'WD', print_to_console: bool = False, seed: int = None)
"""
problem: 自变量定义
X: 自变量
Y: 因变量
method: 差异类型（"WD", "CD", "MD", "L2-star"），默认为"WD"。
print_to_console： 是否输出到操作台，默认为False
seed: 随机种子
"""

# 结果
print(Si)
# {
# 's_discrepancy': array([0.33467611, 0.33305819, 0.3322657 ]), 
# 'names': ['x1', 'x2', 'x3']
# }

请添加图片描述

清流自诩
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
模型分析之敏感度分析
08-28
前馈神经网络模型分析之敏感度分析
成交量分析一览图
12-08
成交量分析一览图excel模板下载，是一款非常不错的办公模板，有需要的朋友快来下载吧！该文档为成交量分析一览图，是一份很不错的参考资料，具有较高参考价值，感兴趣的可以下载看看
python进行敏感性分析（SALib库)
热门推荐
weixin_45526117的博客
05-23 3万+
什么是敏感性分析 敏感性分析（sensitivity analysis）是指从定量分析的角度研究有关因素发生某种变化对某一个或一组关键指标影响程度的一种不确定分析技术。每个输入的灵敏度用某个数值表示即敏感性指数（sensitivity index） 敏感性指数包括以下几种： 一阶指数： ...
简单的敏感性分析程序.zip_全局敏感性_敏感性 matlab_敏感性 分析_敏感性matlab_敏感性分析
07-14
简单实用的全局敏感性分析程序，可在MATLAB中运行
敏感性分析
yang2110862的博客
11-05 1万+
敏感性分析是投资项目的经济评价中常用的一种研究不确定性的方法。它在确定性分析的基础上，进一步分析不确定性因素对投资项目的最终经济效果指标的影响及影响程度。 类型 敏感性因素一般可选择主要参数（如销售收入、经营成本、生产能力、初始投资、寿命期、建设期、达产期等）进行分析。若某参数的小幅度变化能导致经济效果指标的较大变化，则称此参数为敏感性因素，反之则称其为非敏感性因素。 敏感性分析 敏感性分析是指从定量分析的角度研究有关因素发生某种变化对某一个或一组关...
21. 敏感性分析(二)全局敏感性分析及总结
lll423的博客
06-15 7229
目标函数最优值与向量(b)的关系 在这一部分，我们分析目标函数最优值与向量(b)的关系。 首先，令 [P(b)={x\mid Ax=b,,x\geq 0} ] 为一个可行的集合。令 [S={b\mid P(b)是非空的}. ] 并且观测 [S={Ax\mid x\geq 0}, ] 注意，(S)是一个凸集。对于任意(b\in S)，定义 [F(b)=\min_{x\in P(b)}, c^Tx, ] 它是关于(b)的最优值函数。 在这一部分，我们假设对偶可行域({p\mid p^TA\leq c^T})是非
WinCC与STEP7兼容性一览表
03-16
WinCC与STEP7兼容性一览表.pdf 介绍了关于WinCC与STEP7兼容性一览表的详细说明，提供WINCC的技术资料的下载。
职业病危害因素有害性分析一览.doc
09-29
职业病危害因素有害性分析一览.doc
月度利润分析一览.zip
12-15
月度利润分析一览.zip
敏感性分析,敏感性分析计算公式,matlab
09-10
参考维基百科（https://en.wikipedia.org/wiki/Variance-based_sensitivity_analysis）的取样过程以及对应的Estimators。理论性的东西就不进行复述了，这里主要阐述用MATLAB（R2018b）对某个特定函数进行Solo indices敏感性分析的过程。大致可分为四个过程：采样，构建函数，函数输出（将样本带入函数得到输出值），计算Sobol指数（估算一阶影响指数和全局影响指数）
Sobol敏感性分析-Sobol.rar
08-12
Sobol敏感性分析-Sobol.rar 采用网上的一篇博客编写了Sobol敏感性分析程序，博客地址为 blog.csdn.net/xiaosebi1111/article/details/46517409
论文研究-一种基于网格密度的自适应聚类分析算法.pdf
07-22
在结合基于密度和基于网格的聚类算法优点的基础上，提出一种新的聚类算法。该算法能够在海量、高纬数据下发现任意形状的聚类并对噪声数据不敏感，具有较低的时间和空间复杂性及较高的识别率。通过实验对该算法进行了性能比较和测试，显示了它在各方面的优越性。
弥散裂缝模型水力压裂数值方法的网格敏感性分析 (2015年)
05-20
在非线性岩土/石力学问题中,网格质量是影响计算结果的一个重要因素.本文分析了弥散裂缝模型水力压裂数值求解方法中单元高宽比(AR)对计算结果的影响.材料的弹性部分采用线弹性和多孔弹性两种本构关系,屈服和破坏准则采用Drucker-Prager(DP)和Mohr-Coulomb(MC)两种模型.通过综合分析,无论采用何种本构关系,均存在网格敏感性问题.当裂缝的传播方向已知时,可以将单元的AR值控制在2.8~8.0之间,以避免弥散裂缝模型的网格敏感性问题,并得到稳定的结果.如果裂缝传播方向未知,建议使用线弹性本
目标成本经济分析一览表
12-21
相信你一直在找一篇关于目标成本经济分析一览表的文档，在这里，不仅能下载使用目标成本经济分析一览...该文档为目标成本经济分析一览表，是一份很不错的参考资料，具有较高参考价值，感兴趣的可以下载看看
参数敏感性分析
lgl123ok的专栏
12-30 1万+
待完成。。
使用python执行敏感性分析
烂笔头的专栏
03-13 1万+
函数saltelli.sample()将生成一个矩阵，每列代表problem中定义的变量，并在problem中定义的相应边界中采样。之后，您可以将模型定义为函数，如下所示，并计算这些输入的函数ET()的值。结果是函数值的向量，可以通过文档（https://github.com/SALib/SALib）中给出的其他SALib函数发送。 from SALib.sample import saltell...
【参数不确定】敏感性分析（sensitivity analysis）
qq_53011270的博客
03-01 1万+
灵敏度分析
pythonirr敏感性分析
最新发布
12-31
pythonirr敏感性分析是一种用来评估投资项目或资产价值变动对内部收益率（IRR）的影响的方法。通过使用Python编程语言，可以对不同变动因素进行敏感性分析，帮助投资者更好地了解投资风险与回报之间的关系。 在进行pythonirr敏感性分析时，首先需要确定需要分析的变动因素，比如投资成本、收益率、持有期限等。然后利用Python编写代码，通过对这些因素进行变动和计算，得出在不同情况下的IRR值，从而分析这些变动对IRR的影响。 在实际应用中，pythonirr敏感性分析可以帮助投资者做出更合理的决策。通过分析不同的变动情况，可以更准确地评估投资项目或资产的风险和潜在回报。同时，也可以帮助投资者制定更有效的风险管理策略，以应对不同变动情况带来的影响。 值得注意的是，pythonirr敏感性分析虽然可以提供有用的信息，但在实际决策中并不能完全代替专业的风险评估和财务分析。投资者在使用pythonirr敏感性分析时，需要结合其他方法和工具，全面评估投资项目或资产的价值和风险，才能做出更明智的决策。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

清流自诩

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值