Jupyter Notebook: RVAE模型加载、潜在空间可视化和评估

Jupyter Notebook: RVAE 模型加载、潜在空间可视化和评估

# 加载模型权重
RVAE.load_weights('./checkpoints/checkpoint')

# 可视化训练和验证集的潜在空间
train_mu = utils.viz_latent_space(RVAE.encoder, np.concatenate((x_train, x_val)), np.concatenate((y_train, y_val)))
# 可视化测试集的潜在空间
test_mu = utils.viz_latent_space(RVAE.encoder, x_test, y_test.clip(upper=threshold))

# 使用回归器预测训练集和测试集的目标变量
y_hat_train = RVAE.regressor.predict(train_mu)
y_hat_test = RVAE.regressor.predict(test_mu)

# 评估训练集和测试集的预测结果
utils.evaluate(np.concatenate((y_train, y_val)), y_hat_train, 'train')
utils.evaluate(y_test, y_hat_test, 'test')

代码注释：

RVAE.load_weights('./checkpoints/checkpoint'): 加载模型权重
train_mu = utils.viz_latent_space(RVAE.encoder, np.concatenate((x_train, x_val)), np.concatenate((y_train, y_val))): 可视化训练和验证集的潜在空间
test_mu = utils.viz_latent_space(RVAE.encoder, x_test, y_test.clip(upper=threshold)): 可视化测试集的潜在空间
y_hat_train = RVAE.regressor.predict(train_mu): 使用回归器预测训练集的目标变量
y_hat_test = RVAE.regressor.predict(test_mu): 使用回归器预测测试集的目标变量
utils.evaluate(np.concatenate((y_train, y_val)), y_hat_train, 'train'): 评估训练集的预测结果
utils.evaluate(y_test, y_hat_test, 'test'): 评估测试集的预测结果

说明：

本代码演示了如何使用 RVAE 模型进行预测和评估。代码首先加载模型权重，然后可视化训练集、验证集和测试集的潜在空间。接下来，使用回归器预测目标变量，并评估模型性能。

相关资源：

注意：

本代码需要安装必要的 Python 包，例如 NumPy 和 Scikit-learn。