Python 拉丁超立方体采样中调整参数范围的简便方法

我已经生成了一组随机的6个参数，每个参数有50000个样本，我正在为一个物理项目使用50000个腔配置。在神经网络中使用这6个参数后，我将偏离预期结果最多的1%配置分离出来

由此产生的“最差1%”参数分布对于6个参数中的每一个都有不同的形状。我希望重新运行该过程，但在容易出错的区域进行更多的采样。有没有一种简单的方法可以在Python中进行这种调整？目前，我只能从0到1进行采样

例如，称为介质谐振器的参数需要在1到45之间，采样根据函数1.97372 E^（0.118317（-11.4466+x））而变化。图片链接如下。更新：显然我不能发布图片，因为这是我在Stack Exchange上的第一个问题，希望这个链接现在出现[1]：

我如何进行调整？对于其他函数，如高斯分布或分段函数，是否可能进行此更改

这是我当前用于示例的代码：

import numpy as np 
from smt.sampling_methods import LHS
limits = np.array([[0.0, 1.0], [0.0, 1.0], [0.0,1.0], [0.0,1.0],[0.0,1.0],[0.0,1.0]])
sampling = LHS(xlimits=limits,criterion='maximin')

---

好问题，添加一个人们可以复制的例子会有所帮助：添加你承诺的图片会有所帮助。