数据分析3.0：识别聚类，更快训练，更清晰地看到关联
SCALE.sdm扩展插件Data Analysis帮助可视化试验数据中的趋势，发现异常值并构建元模型。3.0版本带来了众多新功能：自动聚类分析、显卡加速训练、显著扩展的平行坐标图以及更快捷的分析入门体验。
借助3.0版本，Data Analysis成为一个更强大的工具，使用户能够在SCALE.sdm中快速从仿真和试验数据中获得可靠见解。
自动分组相似试验
新的聚类分析将输入和输出参数相似的试验归为一组，从而发现单个图表中无法察觉的数据模式。
该扩展插件使用k均值算法，并确定最优聚类数目。结果还会被进行额外评价。
应用后，每个试验在数据表中会有一列表示聚类。每个聚类都会分配一种可调整的颜色，可在所有图表或特定图表中单独显示或隐藏。
通过“Color plots by”统一着色
现在通过一个设置即可统一所有图表的着色方式：按异常值状态、标签或聚类。如此所有展示一目了然且一致。该新设置取代了之前需要在每个图表中单独设定的方式。
平行坐标图：一目了然的数据关联
平行坐标图现在直接从设定为输入或输出的变量中获取其轴线。
- 四种轴线缩放方式：每轴独立缩放、统一数值范围、归一化至[0, 1]或以z分数形式显示。
- 对于聚类数据，图中将以突出线条显示每个聚类的均值。
- 单条线条将被淡化，以突出显示均值。透明度可通过滑块进行调整。
更快进入元模型：在GPU上训练
神经网络元模型现在支持在图形处理器（GPU）上训练，前提是浏览器支持此功能。该选项默认开启，并会保存至下一次会话。无需任何设置：如果没有可用的GPU，训练将自动在处理器（CPU）上继续。两种情况下模型保持完全一致，仅训练时间不同。
神经网络的默认设置也已调整为适配插件中的典型数据集。训练最多进行800个周期，但会在模型不再提升时提前停止。
一目了然的模型质量
每个模型将获得一个颜色评分，综合反映测试和训练的表现。评分会显示在模型列表以及绘图和敏感性分析的模型选择中。如果模型在测试或训练数据上的表现比简单的均值预测还差，则评分始终为红色。良好的训练评分无法掩盖模型在未知数据上的缺陷。
快速开始分析
为了初步印象，提供了三个示例数据集：经典的鸢尾花数据集用于聚类的入门，一个包含多个元模型输入变量的土壤负载数据集，以及一个输入和输出已对应的合成数据集。
更多新功能
- 可以直接从附加组件中测试的附件区打开CSV文件。
- 新打开的数据集将以直方图、散点图和相关性组成的概览矩阵开始，并配有一个3D散点图。根据需求，还可添加更多图表。
- 异常值检测现在区分“重新激活所有测试”和“移除异常值标记”。
- 面板栏可以折叠成窄的图标栏，以为分析留出更多空间。