https://pfspipe.ipmu.jp/jira This file is an XML representation of an issue en-us 8.3.4 803005 13-09-2019 https://pfspipe.ipmu.jp/jira/browse/REDMINE1D-250 1D Redmine <p><em><font color="#505f79"> Created on 2019-07-09 17:10:09 by Johanna Pasquet. % Done: 0</font></em></p> <p>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)</p> <p><b>1) Résultat avec un N(z) représentatif</b></p> <p>biais = 0.0005984543020493647<br/> sigma_mad = 0.018951882212039885<br/> fraction d' outliers = 9.94338630198<br/> <span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16098/16098_test_plot.png" style="border: 0px solid black" /></span><br/> <span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16097/16097_sigma_mad_test.png" style="border: 0px solid black" /></span></p> <p><b>2) Résultat avec un N(z) non représentatif</b><br/> On constate que ça n'a pas corrigé le biais à bas z...</p> <p>biais = 0.04970591677428244<br/> sigma_mad = 0.027086191311710413<br/> fraction d' outliers = 15.1287078616</p> <p><span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16096/16096_plot_inference_primus.png" style="border: 0px solid black" /></span><br/> <span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16095/16095_inference_cubeprimus.png" style="border: 0px solid black" /></span></p> REDMINE1D-250

[RM-5351] Résultats avec les poids

Task Normal Open Unresolved Redmine-Jira Migtation Redmine-Jira Migtation Wed, 5 Jul 2023 17:50:29 +0000 Wed, 5 Jul 2023 17:51:20 +0000 0 1 <p>Comment by Johanna Pasquet on 2019-07-10 16:47:01:<br/> N(z) et N(mag) avant la pondération par les poids (première ligne) et après (deuxième ligne)<br/> <span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16099/16099_distributions.png" style="border: 0px solid black" /></span></p> <p>Comment by Johanna Pasquet on 2019-07-11 19:36:41:<br/> Inférence sur le cube <b>CUBE_WIDE_zspec_Photonly_0001.npz</b>. 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</p> <p><span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16101/16101_inference2.png" style="border: 0px solid black" /></span><br/> <span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16100/16100_plot_inference2.png" style="border: 0px solid black" /></span></p> <p>Comment by Johanna Pasquet on 2019-07-11 19:38:06:<br/> Johanna Pasquet wrote:<br/> &gt; Inférence sur le cube <b>CUBE_WIDE_zspec_Photonly_0001.npz</b>. 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<br/> &gt; <br/> &gt; <span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16101/16101_inference2.png" style="border: 0px solid black" /></span><br/> &gt; <span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16100/16100_plot_inference2.png" style="border: 0px solid black" /></span></p> <p>Voici les performances en terme de métrique:<br/> biais = 0.01625062861904333<br/> sigma_mad = 0.023803115785273967<br/> fraction d' outliers = 8.04957146166</p> Development Rank 0|zzsyjb: