FuSAGNet Evaluation Analysis

最新推荐文章于 2025-12-05 16:19:27 发布

原创

最新推荐文章于 2025-12-05 16:19:27 发布 · 487 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络

本文详细描述了FuSAGNet模型的评估过程，包括测试分数预测、重构、加权调和平均（WHM）计算以及F1、Precision和Recall的求解方法。重点在于通过设置阈值和权重调整来优化性能指标。

FuSAGNet Evaluation Analysis

1. Procedure
2. Summary

1. Procedure

1.1 Calculating test_score_forecasting

Function Name:

get_full_err_scores()

Params	Description
test_result	Predicted y_hat by best_model on test dataset
val_result	Predicted y_hat by best_model on valid dataset

Purpose:

Getting smoothed_score for every feature, respectively on test_result and val_result

get_err_scores

Params	Description
err_scores	(test_delta - n_err_mid) / (np.abs(n_err_iqr) + epsilon)
test_delta	set before testing default is 0.5
n_err_mid	median from np.substruct(pred_data, ground_truth)
n_err_iqr	quartile about np.substruct(pred_data, ground_truth)
err_scores	a raw in smoothed_scores

Return:

all_socres(calculating from get_full_err_score and concat together) and all_norms

1.2 Calculating test_score_reconstruction

Function Name: get_full_err_scores()
Same sas above

1.3 IMPORTANT: Calculating test_score_whm(Weighted Harmonic Mean)

The previous two stpes are prepared for calculating whm

具体来说，Weighted Harmonic Mean 函数通过给定的输入值 x1 和 x2，以及它们的权重 w1 和 w2，计算这两个值的加权调和平均值。这可以用于根据权重对不同数值进行加权平均，以反映它们在总平均值中的相对重要性。
函数中的 epsilon 用于确保分母不会为零，从而避免出现除法错误。这种方式可以增加数学计算的稳定性，特别是在输入值或权重值中存在较小的数值时。
这个函数对于某些数学模型、统计分析或工程应用中可能会有用，特别是当需要考虑不同变量之间的权重关系时。 Weighted Harmonic Mean