# 8/23 新資料後的測試

disentangling 的效用在?
測試方法
1.
速度01234都去train, 速度4去test，看同個人在個別速度的分布

* 無disentangling
為第i個人的速度4號之mae
* 有disentangling
用圖顯示或許無法真正地顯示出我們用完disentangling 去除掉速度特徵後，是否能幫助我們同個人中的個別速度分散狀況
所以將使用標準差來看看同個人中的每個個別速度的分散程度
* 發現用完disentangling去除掉速度特徵後，其實對於分布狀態有很明顯的改變，會變得比較集中

2.
老師說，之前有看過資料寫說disentangling對於沒有看過的資料效果不是那麼的明顯
所以可以嘗試速度0124去train, 3去test，因為34都是跑步，如此算是有看過跑步，所以disentanglin加入後應該效果要比較好，好於無disentangling
* 無disentangling
----------------------------------

* 有disentanglin
--------------------------------

3.
train被依據身分而被分成不同堆，那一堆中不同的速度(012)是如何分布的
若 尚無disentangling，分布狀況是一區一區不是平均分布的話，那加了disengtangling應該要能幫助分散的比較平均
4.
從1.之無disentangling的tsne結果圖來看，興許速度是個次要的特徵，身分才是主要的特徵，那麼照理來說，辨認速度(若沒用disentangling去掉身分特徵)應該要很困難，也就是說若加了disentangling去掉身分特徵後，辨識速度的效果要好
* 將所有資料拿去train後相同資料拿去test，發現震盪極其誇張(用distangling version3)
* 我忘記存圖了QAQ
* 將

5.
承上， 若 無disentangling去掉身分的時候，在同一團速度分布裡頭，身分會是一區一區的。那加了disentangling去掉身分特徵後，希望身分會散布在同一團裡面，而不會是一區一區的