d2dde4f557
modified: .gitignore new file: __pycache__/convert_teacher_csv.cpython-314.pyc new file: __pycache__/evaluation_studio.cpython-314.pyc new file: convert_teacher_csv.py new file: downloads/Non_TMD/free_vib/data_converted_free.csv new file: downloads/TMD/val/data_converted_tmd.csv new file: evaluation_studio.py new file: scripts_2/__pycache__/__init__.cpython-314.pyc new file: scripts_2/__pycache__/signal_utils.cpython-314.pyc new file: scripts_2/__pycache__/task3_identify.cpython-314.pyc new file: scripts_3/__pycache__/__init__.cpython-314.pyc new file: scripts_3/__pycache__/task4_predict_freq.cpython-314.pyc modified: scripts_3/task4_predict_freq.py new file: scripts_4/__pycache__/__init__.cpython-314.pyc modified: scripts_4/__pycache__/adapter.cpython-314.pyc
scripts_4: TMD 小样本适配
本目录实现二阶段方案：
- 基础模型（
Non_TMD训练得到的task1_final_model.pkl）先给出基线预测； - 用极少量
TMD样本拟合频率相关比例系数k(f)； - 输出
TMD预测：y_tmd = k(f) * y_base。
为什么这样做
- 仅 5 个 TMD 点直接重训主模型容易过拟合；
- 保留基础模型泛化能力，只学习域偏移；
- 通过
shrinkage把校正系数向1.0收缩，降低小样本波动影响； - 频率外推时会自动向
1.0回归，避免越界夸张。
脚本说明
train_tmd_adapter.py：拟合并保存适配器，同时输出 LOOCV 报告。predict_tmd_single.py：加载基础模型 + 适配器，对单个 TMD 文件推理。adapter.py：频率校正器定义与序列化工具。
使用方法（请使用虚拟环境 Python）
.venv/bin/python scripts_4/train_tmd_adapter.py
.venv/bin/python scripts_4/predict_tmd_single.py \
--file downloads/TMD/val/harmonic_5mm_1.25Hz_TMD.csv
可选参数示例：
.venv/bin/python scripts_4/train_tmd_adapter.py \
--shrinkage 0.25 \
--extrapolation-decay-hz 0.3
输出文件
- 适配器：
checkpoints_final/task1_final/task1_tmd_adapter.pkl - 报告：
evaluation_outputs/task1_final/tmd_adapter_report.json