实验结果对比分析 BC / BC_NB
结果目录：.\AIcodes/checkpoints
小白先看：
这一组最适合初学者理解：Base 版直接模仿数据中的动作，NB 版在此基础上让高回报轨迹样本更重要。
这一页先帮你判断“哪边结果更完整、哪边更稳定”，再带你看关键差异。
这一页先帮你判断“哪边结果更完整、哪边更稳定”，再带你看关键差异。
一句话结论： 这一对结果整体非常接近，从验证集 MSE 看，Base 版略优；NB 版的价值更多体现在“能分析高质量轨迹权重”。
BC 结果完整
类型：行为克隆 / Base
训练日志：training_log.csv
模型文件：已找到
异常情况：未发现明显异常
BC_NB 结果完整
类型：行为克隆 / NB
训练日志：training_log.csv
模型文件：已找到
异常情况：未发现明显异常
这组方法的核心差异： NB 版增加了 return-weighted 权重设计，因此除了普通误差外，还可以额外观察加权误差。
这里优先展示小白最容易理解的关键指标，不直接把整张 CSV 原样丢给你。
| 指标 | Base | NB | 差值（NB-Base） | 简单判断 |
|---|---|---|---|---|
| 最终验证损失 | 0.016500 | - | - | — |
| 验证集 MSE | 0.033168 | 0.033184 | 0.000016 | Base 更优 |
| 验证集 MAE | 0.113791 | 0.113833 | 0.000041 | Base 更优 |
| 验证集加权 MSE | - | 0.033184 | - | — |
只放最重要的几张图，避免一上来就看花眼。
损失曲线
BC
train_val_loss.png
BC_NB
train_test_loss.png
学习率曲线
BC
lr_curve.png
BC_NB
lr_curve.png
BC 文件
- best_model.pt (284.54 KB)
- evaluation_summary.csv (221.00 B)
- lr_curve.png (31.36 KB)
- train_config.json (439.00 B)
- train_val_loss.png (30.90 KB)
- training_log.csv (9.97 KB)
BC_NB 文件
- best_model.pt (284.66 KB)
- evaluation_summary.csv (366.00 B)
- lr_curve.png (34.13 KB)
- train_config.json (519.00 B)
- train_test_loss.png (34.37 KB)
- training_log.csv (9.97 KB)
怎么看这页
- 先看顶部状态：结果完整、结果异常、结果不完整，先判断“能不能用”。
- 再看关键指标：不是所有数字都需要看，先看表格里最上面的 2 到 4 个指标。
- 最后看核心曲线：如果曲线波动很大、或者出现 NaN，说明训练稳定性存在问题。
小白建议：
- 如果一边出现 NaN，先把它当异常结果，而不是继续和另一边比大小。
- 如果两边都正常，再看“最终损失/误差”和“曲线是否更平稳”。
- NB 版不一定所有指标都更好，但通常会多一个改进项，适合解释“改进来自哪里”。