資料取樣

📊 資料取樣 (Data Sampling)

基本概念

設計實驗 (DOE) 通常用於從系統中收集新資料。但在許多情況下，已有大量資料被收集，甚至多到難以直接分析。
例如：來自實際運行元件上的感測器，會在元件整個使用壽命期間連續記錄健康監測數據。

SmartUQ 的 資料取樣工具 可以將龐大的資料集劃分成較小的子集合，模擬出一個空間填充型 (Space-Filling) DOE。
與傳統 先設計再收集資料 的 DOE 不同，資料取樣（例如 子取樣 Subsampling、切片取樣 Sliced Sampling）是直接從 既有的輸入–輸出資料對 中挑選能代表設計空間的資料點。

🔄 資料取樣流程 (Workflow)

輸入資料來源：模擬數據或實驗數據，通常規模龐大。

挑選代表性子集：透過 SmartUQ 工具，將資料分割成小型子集，仍能完整代表設計空間。

效益：

• 降低計算負擔
• 保留進階分析的精準度
• 透過保留資料集，可進行模型驗證，節省模擬與測試資源
  

🔹 子取樣演算法 (Subsampling Algorithms)

• 從大型資料集中挑選使用者指定數量的代表點。
• 與隨機切割不同，子取樣會挑選出能模擬空間填充 DOE 的點，避免偏差。
• 透過 智慧選點，只用部分資料就能維持分析準確度，同時大幅降低計算成本。
• 保留下來的大型資料集則可用於 模型驗證，確保預測可靠性。

🔹 切片取樣演算法 (Sliced Sampling Algorithms)

• 與切片設計概念類似，將資料集分割為多個子群組 (Slices)。
• 初始資料集不需要是假設為空間填充設計。
• 每個切片可用於：
• 建立代用模型 (Emulator / Surrogate Model)
• 模型驗證

✨ 獨特優勢：Divide & Combine

• 每個切片分別建立自己的代用模型
• 再將所有子模型 合併成一個最終模型
• 支援 平行運算，降低記憶體需求
• 能有效處理 大規模資料集的進階分析
  

📌 切片取樣流程：
將資料集切分為四個區塊，每個區塊皆近似於空間填充 DOE，最後再整合結果。