[REDMINE1D-250] [RM-5351] Résultats avec les poids Created: 06/Jul/23  Updated: 06/Jul/23

Status: Open
Project: 1D Redmine
Component/s: None
Affects Version/s: None
Fix Version/s: None

Type: Task Priority: Normal
Reporter: Redmine-Jira Migtation Assignee: Redmine-Jira Migtation
Resolution: Unresolved Votes: 0
Labels: None
Remaining Estimate: Not Specified
Time Spent: Not Specified
Original Estimate: Not Specified

Attachments: PNG File distributions.png     PNG File inference2.png     PNG File inference_cubeprimus.png     PNG File plot_inference2.png     PNG File plot_inference_primus.png     PNG File sigma_mad_test.png     PNG File test_plot.png    

 Description   

Created on 2019-07-09 17:10:09 by Johanna Pasquet. % Done: 0

Pondération de la loss pour obtenir un N(z) représentatif de la vérité. Pour cela j'ai utilisé les poids calculés par Marie et Stéphane à partir d'un N(z) théorique. Je présente dans une première partie les résultats de l'ensemble des cross validation (pas d'ensemble pour ce résultat là) sur la base de test ayant la même distribution du N(z) que la base de train. Puis je présente les résultats sur Primus (CUBE_CFHTLS_SPECTRO_WIDE1234_unique_balanced_Primuslowz_0001)

1) Résultat avec un N(z) représentatif

biais = 0.0005984543020493647
sigma_mad = 0.018951882212039885
fraction d' outliers = 9.94338630198

2) Résultat avec un N(z) non représentatif
On constate que ça n'a pas corrigé le biais à bas z...

biais = 0.04970591677428244
sigma_mad = 0.027086191311710413
fraction d' outliers = 15.1287078616

 Comments   
Comment by Redmine-Jira Migtation [ 06/Jul/23 ]

Comment by Johanna Pasquet on 2019-07-10 16:47:01:
N(z) et N(mag) avant la pondération par les poids (première ligne) et après (deuxième ligne)

Comment by Redmine-Jira Migtation [ 06/Jul/23 ]

Comment by Johanna Pasquet on 2019-07-11 19:36:41:
Inférence sur le cube CUBE_WIDE_zspec_Photonly_0001.npz. Il semblerait que le précédent cube PRIMUS avait des étoiles car ici les résultats sont beaucoup mieux même s'il y a encore un léger biais à faible redshift. Ce sont les résultats avec les poids pour pondérer la loss


Comment by Redmine-Jira Migtation [ 06/Jul/23 ]

Comment by Johanna Pasquet on 2019-07-11 19:38:06:
Johanna Pasquet wrote:
> Inférence sur le cube CUBE_WIDE_zspec_Photonly_0001.npz. Il semblerait que le précédent cube PRIMUS avait des étoiles car ici les résultats sont beaucoup mieux même s'il y a encore un léger biais à faible redshift. Ce sont les résultats avec les poids pour pondérer la loss
>
>
>

Voici les performances en terme de métrique:
biais = 0.01625062861904333
sigma_mad = 0.023803115785273967
fraction d' outliers = 8.04957146166

Generated at Sat Feb 10 15:30:49 JST 2024 using Jira 8.3.4#803005-sha1:1f96e09b3c60279a408a2ae47be3c745f571388b.