Initial commit: планирование эксперимента и оптимизация смесей
This commit is contained in:
+182
@@ -0,0 +1,182 @@
|
||||
# analysis.py
|
||||
"""
|
||||
Анализ экспериментальных данных: регрессия, проверка значимости, дисперсия в центре.
|
||||
"""
|
||||
import numpy as np
|
||||
from core.table_io import handle_table_output
|
||||
from core.statistics import (
|
||||
compute_regression,
|
||||
get_center_indices,
|
||||
compute_center_stats,
|
||||
chi2_confidence_interval,
|
||||
get_t_critical,
|
||||
regression_summary
|
||||
)
|
||||
|
||||
def analysis_menu(mixture, design, responses):
|
||||
if not design.plan or not responses:
|
||||
print("Нет данных для анализа: план или отклики пусты.")
|
||||
input("Нажмите Enter для продолжения...")
|
||||
return
|
||||
|
||||
active_indices = design._active_indices()
|
||||
k = len(active_indices)
|
||||
if k < 2:
|
||||
print("Для анализа необходимо минимум 2 активных фактора.")
|
||||
input("Нажмите Enter для продолжения...")
|
||||
return
|
||||
|
||||
factor_names = []
|
||||
for idx in active_indices:
|
||||
ing_index = idx + 1
|
||||
if ing_index < len(mixture.ings):
|
||||
factor_names.append(mixture.ings[ing_index].name)
|
||||
else:
|
||||
factor_names.append(f"x{idx+1}")
|
||||
|
||||
print("\nВведите уровень значимости alpha (например, 0.05, 0.01, 0.001):")
|
||||
while True:
|
||||
try:
|
||||
alpha_input = input("alpha (по умолчанию 0.05): ").strip()
|
||||
if alpha_input == "":
|
||||
alpha = 0.05
|
||||
else:
|
||||
alpha = float(alpha_input)
|
||||
if alpha <= 0 or alpha >= 1:
|
||||
print("alpha должна быть в интервале (0, 1).")
|
||||
continue
|
||||
break
|
||||
except ValueError:
|
||||
print("Введите число.")
|
||||
|
||||
plan_matrix = np.array([[row[j] for j in active_indices] for row in design.plan])
|
||||
N = plan_matrix.shape[0]
|
||||
X = np.hstack([np.ones((N, 1)), plan_matrix])
|
||||
df_res = N - (k + 1)
|
||||
|
||||
while True:
|
||||
print("\n" + "=" * 50)
|
||||
print("АНАЛИЗ ЗНАЧЕНИЙ")
|
||||
print(f"Уровень значимости α = {alpha}")
|
||||
print("Доступные отклики:")
|
||||
for idx, resp in enumerate(responses, start=1):
|
||||
print(f"{idx}. {resp['name']}")
|
||||
print(f"{len(responses)+1}. Анализировать все отклики")
|
||||
print("(Enter - выход в главное меню)")
|
||||
print("=" * 50)
|
||||
choice = input("Выберите отклик для анализа: ").strip()
|
||||
if choice == "":
|
||||
break
|
||||
try:
|
||||
idx = int(choice) - 1
|
||||
if idx < 0:
|
||||
print("Неверный номер.")
|
||||
continue
|
||||
if idx < len(responses):
|
||||
analyze_single_response(responses[idx], X, k, df_res, design, alpha, factor_names)
|
||||
input("Нажмите Enter для продолжения...")
|
||||
elif idx == len(responses):
|
||||
for resp in responses:
|
||||
print(f"\n--- Анализ отклика '{resp['name']}' ---")
|
||||
analyze_single_response(resp, X, k, df_res, design, alpha, factor_names)
|
||||
input("Нажмите Enter для продолжения...")
|
||||
else:
|
||||
print("Неверный номер.")
|
||||
except ValueError:
|
||||
print("Введите число.")
|
||||
|
||||
def analyze_single_response(response, X, k, df_res, design, alpha, factor_names):
|
||||
y = np.array(response["values"])
|
||||
N = len(y)
|
||||
if N != X.shape[0]:
|
||||
print(f"Ошибка: число значений отклика ({N}) не соответствует числу опытов ({X.shape[0]})")
|
||||
return
|
||||
|
||||
reg = compute_regression(X, y)
|
||||
beta = reg["beta"]
|
||||
se = reg["se"]
|
||||
t_stats = reg["t_stats"]
|
||||
s2_res = reg["s2_res"]
|
||||
df_res_actual = reg["df_res"]
|
||||
y_pred = reg["y_pred"]
|
||||
|
||||
if np.isnan(beta).any():
|
||||
print("Ошибка при расчёте регрессии: матрица вырождена.")
|
||||
return
|
||||
|
||||
def print_and_get_tcrit(beta, se, t_stats, df_res, y_pred, y, k, factor_names, alpha):
|
||||
summary = regression_summary(y, y_pred, k, df_res)
|
||||
r2 = summary["r2"]
|
||||
r2_adj = summary["r2_adj"]
|
||||
f_stat = summary["f_stat"]
|
||||
f_pvalue = summary["f_pvalue"]
|
||||
|
||||
print("\n=== Регрессионный анализ ===")
|
||||
print(f"Число опытов: {len(y)}")
|
||||
print(f"Число факторов: {k}")
|
||||
print(f"Степени свободы остатков: {df_res}")
|
||||
print(f"Стандартная ошибка регрессии: {np.sqrt(s2_res) if not np.isnan(s2_res) else np.nan:.6f}")
|
||||
print(f"Множественный R: {np.sqrt(r2) if not np.isnan(r2) else np.nan:.6f}")
|
||||
print(f"R-квадрат: {r2:.6f}")
|
||||
print(f"Скорректированный R-квадрат: {r2_adj:.6f}")
|
||||
print(f"F-статистика: {f_stat:.4f}, p-value: {f_pvalue:.6f}")
|
||||
|
||||
t_crit = get_t_critical(df_res, alpha=alpha)
|
||||
print("\nКоэффициенты регрессии:")
|
||||
headers = ["Коэффициент", "Значение", "Станд. ошибка", "t-статистика", f"|t| > t_крит({alpha})?"]
|
||||
rows = []
|
||||
coef_names = ["Свободный член"] + factor_names
|
||||
for i, name in enumerate(coef_names):
|
||||
sig = "Да" if (not np.isnan(t_stats[i]) and abs(t_stats[i]) > t_crit and not np.isnan(t_crit)) else "Нет"
|
||||
rows.append([
|
||||
name,
|
||||
f"{beta[i]:.6f}",
|
||||
f"{se[i]:.6f}",
|
||||
f"{t_stats[i]:.4f}",
|
||||
sig
|
||||
])
|
||||
handle_table_output(headers, rows, title="", ask_each_time=True)
|
||||
if not np.isnan(t_crit):
|
||||
print(f"Критическое значение t (alpha={alpha}, df={df_res}): {t_crit:.4f}")
|
||||
return t_crit
|
||||
|
||||
t_crit = print_and_get_tcrit(beta, se, t_stats, df_res_actual, y_pred, y, k, factor_names, alpha)
|
||||
|
||||
center_indices = get_center_indices(design.plan, design._active_indices())
|
||||
if len(center_indices) >= 2:
|
||||
y_center = y[center_indices]
|
||||
center_mean, center_var = compute_center_stats(y_center)
|
||||
print("\n=== Анализ центральных точек ===")
|
||||
print(f"Количество центральных точек: {len(center_indices)}")
|
||||
print(f"Среднее значение отклика в центре: {center_mean:.6f}")
|
||||
print(f"Дисперсия в центре (несмещённая): {center_var:.6f}")
|
||||
print(f"Стандартное отклонение: {np.sqrt(center_var):.6f}")
|
||||
lower, upper = chi2_confidence_interval(center_var, len(center_indices), alpha=alpha)
|
||||
if not np.isnan(lower):
|
||||
print(f"Доверительный интервал для дисперсии (уровень доверия {1-alpha}): [{lower:.6f}, {upper:.6f}]")
|
||||
else:
|
||||
print("\nНедостаточно центральных точек (нужно минимум 2).")
|
||||
|
||||
if k > 0 and not np.isnan(t_crit):
|
||||
print("\nХотите исключить незначимые факторы и пересчитать модель?")
|
||||
choice = input("(y/n, по умолчанию n): ").strip().lower()
|
||||
if choice == 'y':
|
||||
significant = [True] + [abs(t_stats[i]) > t_crit for i in range(1, k+1)]
|
||||
if all(significant):
|
||||
print("Все факторы значимы. Упрощённая модель не отличается от полной.")
|
||||
return
|
||||
X_new = X[:, significant]
|
||||
reg_new = compute_regression(X_new, y)
|
||||
beta_new = reg_new["beta"]
|
||||
se_new = reg_new["se"]
|
||||
t_stats_new = reg_new["t_stats"]
|
||||
df_res_new = reg_new["df_res"]
|
||||
y_pred_new = reg_new["y_pred"]
|
||||
if np.isnan(beta_new).any():
|
||||
print("Ошибка при пересчёте упрощённой модели.")
|
||||
return
|
||||
factor_names_new = ["Свободный член"] + [factor_names[i-1] for i in range(1, k+1) if significant[i]]
|
||||
k_new = len(factor_names_new) - 1
|
||||
print("\n=== Упрощённая модель (исключены незначимые факторы) ===")
|
||||
print_and_get_tcrit(beta_new, se_new, t_stats_new, df_res_new, y_pred_new, y, k_new, factor_names_new[1:], alpha)
|
||||
print("\nСовет: для использования упрощённой модели в крутом восхождении установите шаги для исключённых факторов равными 0 в планировании эксперимента.")
|
||||
Reference in New Issue
Block a user