没有仿真模型也能做优化？HyperStudy 用CSV数据直接搞定！HS-2201
了解如何对只有.csv文件中的设计数据可用（即不存在仿真模型）的应用程序执行优化研究。
在开始之前，请将本教程中使用的模型文件从 /HS-2201/复 制到您的工作目录。
本教程的目标是使用study_data.csv文件中的设计创建拟合，然后使用拟合执行优化研究。
第一列和第二列包含每个设计的两个输入变量的值，第三列和第四列包含先前运行的DOE研究的结果。已经评估了16种设计。
一、执行研究设置
1.启动HyperStudy。
2.通过以下方式开始新研究：
a)在菜单栏中，单击File>New。
b)在功能区上，单击。
3.在Add Study对话框中，输入研究名称，选择研究的位置，然后单击OK。
4.转到Define Models步骤。
5.添加Lookup模型。
a)单击Add Model。
b)在Add对话框中，选择Lookup，然后单击OK。
c)在工作区的Resource列中，单击。
d)在HyperStudy – Load model resource对话框中，导航到您的工作目录并打开study_data.csv文件。
6.导入变量。
a)单击Import Variables。
b)在Import Variables对话框的Number of design variables字段中，输入2。
c)单击OK。
7.转到Define input variables步骤。
8.查看从study_data.csv文件导入的两个输入变量。
二、执行试运行
1.转到Test Models步骤。
2.单击Run Define。
在study Directory中创建approaches/setup_1-def/ 目录。approaches/setup_1-def/run__00001/m_1目录包含输入文件，该文件是试运行的结果。
三、查看输出响应
1.转到Define Output Responses步骤。
2.查看从study.csv文件导入的两个输出响应。
四、从CSV导入DOE结果
1.添加DOE。
a)在Explorer中，右键单击并从上下文菜单中选择Add。
此时将打开Add对话框。
b)对于Definition from ，选择一种方法。
c)选择DOE，然后单击OK。
2.转到DOE 1>Specifications步骤。
3.在工作区中，将Mode设置为Run Matrix。
4.从Settings选项卡的Matrix File字段中，单击。
5.在Open对话框中，导航到您的工作目录并打开study_data.csv文件。
6.单击Apply。
7.转到DOE 1>Evaluate步骤。
8.单击Evaluate Tasks。
五、Run Fit
1.添加Fit。
a)在Explorer中，右键单击并从上下文菜单中选择Add。
b)在Add对话框中，选择Fit，然后单击OK。
2.导入矩阵。
a)转到Fit 1>Select Matrices步骤。
b)单击Add Matrix。
c)单击Import Matrix。
3.定义规范。
a)转到Fit 1>Specifications步骤。
b)将每个输出响应的Fit Type设置为FAST（Fit Automatically selected by Training）。
Note： 默认情况下，FAST会自动从所有可用的Fits中选择最佳Fit类型。您可以通过在工作区域中突出显示一个或多个响应，然后从Settings选项卡中选择Fits，手动选择FAST可以选择的Fit类型。
c)单击Apply。
4.评估任务。
a)转到Fit 1>Evaluate步骤。
b)单击Evaluate Tasks。
5.转到Fit 1>Post-Processing步骤。
6.单击Diagnostics选项卡。
Resp1使用带有自定义术语的LSR具有最佳拟合度;Regression Terms选项卡显示只需要线性项。Resp2使用MLSM时效果最好。对于Resp2，基于Input Matrix的R平方值表明模型准确率非常好。交叉验证的moderate值表示模型可能会从更多数据中受益，因为其准确性在很大程度上取决于完整的点集。从输入集中删除任何点都可以显著改变拟合的预测。
