候选集
“Bayes 优化”平台中的“候选集”报表包含一个表，该表列出下一批中要考虑的全部因子组合的集合。默认情况下，表中的因子组合数为因子数量的 1000 倍与 10,000 这两者中的较小值。您可以通过使用启动窗口中的“候选集行数”选项来更改默认的初始因子组合数量。候选集是通过在因子范围内均匀采样自动生成的，同时考虑了混料因子和线性约束表脚本。
该表拆分为两个部分：要添加到下一批的行和要从下一批中排除的行。使用每行旁边的复选框手动选择要包含在下一批试验中的因子组合。要添加到下一批的行按其添加顺序排序。表中各列包括每个因子组合下所选扩充采集函数的值。要了解要在表中包括的可能列的列表，请参见“候选集”报表选项。
注意：您还可以从现有数据表加载候选集。请参见从数据表加载候选集。若使用该选项，现有候选集将被移除，并替换为所选数据表中的因子组合。然后，报表标题将包含该数据表的名称。
“候选集”报表中还会提供以下选项：
自动选择行
从候选集中自动选择要包含在下一批试验中的行。您可以指定要选择的行数和扩充方法算法。以下是可用的扩充方法：
空间填充探索
通过使用 MaxPro 空间填充准则来选择指定的点数。该算法侧重于探索因子空间。这是一种无模型方法，在模型对响应的拟合效果不佳时很有用。
优化模型
通过使用最大期望提升准则来选择第一个点。然后，使用基于模型的采集函数选择剩余行，以便最大化 Bayes 意愿标准差和多模型标准差准则。该算法平衡了因子空间的探索与模型拟合的改进。若您希望利用现有模型有针对性地选择需优化采样的区域而非随机采样，则该方法很有用。
确认并挑战最优
通过查找具有最大 Bayes 意愿的因子组合，来选择批次中的首个试验。要选择批次内剩余的试验，首先要识别 Bayes 意愿模型判定为等同于或优于训练集中的最佳试验的因子组合。再从该子集中，通过依次最大化意愿标准偏差准则，将试验添加到该批次中。该算法侧重于利用现有模型信息。该方法在最终迭代中直接优化模型时非常有效。
取消全选
从当前批次中删除所有当前选定的行。
撤销
撤销上次对该候选集表所做的更改。
重新运行
重新调用上次对该候选集表所做的更改。
要了解更多的红色小三角菜单选项，请参见“候选集”报表选项。