分析参数和设计要求之间的关系

分析如何参数和状态（统称为参数)金宝app^®模型影响设计对模型信号的要求，首先要生成参数样本。然后，通过在模型信号上创建设计需求来定义成本函数，并评估每个示例的成本函数。最后，分析了参数变化与成本函数值之间的关系。你可以通过以下方式进行分析:

可视化分析

查看成本函数对参数样本的评估图，以确定趋势。这种方法是非正式的，并且提供了关于各种参数如何影响成本函数的直观直观的方法。

在敏感性分析工具，评估完成后，在工具生成的评价结果散点图。该图显示的评价成本函数值作为参数集合中的每个参数的功能。最后一列副区显示评价成本函数值的概率分布。您可以在最佳拟合线通过右键单击在剧情添加到分散的次要情节，并选择覆盖线性拟合在上下文菜单中。在此图中，最佳拟合线表示获得参数有很多的需求影响。

您也可以绘制的评估结果的等高线图。要了解更多有关这些地块，见互动与在敏感性分析工具地块。例如，参见识别评估的关键参数(GUI)。

在命令行，你可以使用的工具，如：

sdo.scatterPlot-参数样本与代价函数评价的散点图
冲浪，网，轮廓-对两个参数的样本进行成本函数评价的三维图

例如，参见确定评估的关键参数(代码)。

统计分析

除了在视觉上分析成本函数的参数的影响，你也可以计算统计数据的量化关系。

获取有关成本函数的评估和参数样本之间的关系汇总统计。可用的分析方法包括：

方法	描述
关联	使用分析模型参数和成本函数的输出是如何相互关联。
偏相关（需要统计和机器学习工具箱™软件）	用于分析模型参数与成本函数之间的关系，消除剩余参数的影响。
标准化的回归	当你想到的是，模型参数线性影响成本函数使用。

对于这些方法，你指定要由从下面的分析类型选择为分析使用的数据：

线性分析，也称为皮尔森分析 - 使用原始数据进行分析。当你期望的参数和成本函数，并预期有关最佳拟合线的残差时正态分布之间的线性关系使用线性分析。还建议线性分析时的样本数，因此剩余的点的数量是很大的。

排序分析，又称排序分析斯皮尔曼分析和排名转换- 使用数据的行列进行分析。使用排名分析时，您所期望的参数和成本函数，当关于最佳拟合线的残差不是正态分布之间的非线性单调关系。还建议排名分析时的样本数，因此剩余的点的数量是小的。

线性分析保留有关的数据值之间的时间间隔的信息，而排名分析没有。假设你有以下数据集：

X₁	X₂	ÿ
9	20	340
五	60	106
2.3	50.4	870.5

这里X₁和X₂为模型参数，ÿ是成本函数。每行表示一个样本和相关的成本函数评估。

数据按每列进行排序。例如，当你排列第1列的数据(X₁)，其中包含条目9、5和2.3，排序后的数据等于3、2和1。的排序数据集X₁，X₂和ÿ如下:

X₁	X₂	ÿ
3	1	2
2	3	1
1	2	3

排序后的数据集可用于相关性、偏相关性或标准化回归分析。

计算Kendall - Kendall’s tau秩相关系数。
适用于相关分析方法。需要统计和机器学习工具箱软件。

偏相关法

计算偏相关系数，[R。此方法需要统计和机器学习Toolbox软件。使用此方法来分析的模型参数和所述成本函数如何相互关联，调整以除去其他参数的影响。

[R使用计算partialcorri根据统计和机器学习Toolbox软件。

标准化的回归方法

计算标准化回归系数，[R。当您期望模型参数线性影响成本函数时，请使用此方法。

[R计算如下:

$[R = b_{X} \frac{σ_{X}}{σ_{ÿ}}$

考虑单个样品（X₁、……XNp）和对应的单个输出，ÿ。b_X回归系数向量是否采用最小二乘假设的线性模型计算 $\hat{ÿ} = b_{0} + Σ_{一世 = 1}^{ñ p} {\hat{b}}_{X_{一世}} X_{一世}$ 。[R标准化的每个元素b_X通过与相应的标准偏差的比率乘以它X样品(σ_X）到的标准偏差ÿ（σ_ÿ)。