理解Test函数：

理解test（）函数中部分代码： 假设数据： test_dataset = [
{“norm_ged”: 0.1, “edge_index_1”: …, “edge_index_2”: …, “features_1”: …, “features_2”: …},
{“norm_ged”: 0.3, “edge_index_1”: …, “edge_index_2”: …, “features_1”: …, “features_2”: …},
{“norm_ged”: 0.2, “edge_index_1”: …, “edge_index_2”: …, “features_1”: …, “features_2”: …} ] 这里的 norm_ged
其实也就是相当于以前学过的标签值（真实值）

进行预测： prediction = model(data) 获取预测值： 第一样本：0.12 第二样本：0.28 第三样本：0.25

计算误差： 第一样本：(-math.log(0.12) - 0.1) ** 2 =>得:0.01 第二样本：(-math.log(0.28)

• 0.3) ** 2 =>得:0.02 第三样本：(-math.log(0.25) - 0.2) ** 2 =>得:0.015 理解一下为何这个误差为啥要取负对数呢？ 举个例子理解： 假设计算得到一个预测值 p=0.9 真实的归一化编辑距离ged = 0.1
  看看取对数 和 不取对数的区别： 不取对数： error = (0.9 - 0.1) ** 2 = 0.64
  此时误差值非常大，并不能真实放映出两个图之间的距离关系。 取对数： d_hat = -math.log(0.9) = 0.105 error
  = (0.105 - 0.1) ** 2 = 0.000025 此时的误差值就比较小，能够更加准确地反映两个图之间的距离关系。

计算均方误差（MSE）： model_error = np.mean([0.01, 0.02, 0.015]) = 0.015

计算基线误差： 真实标签norm_ged 怕平均值： norm_ged_mean = np.mean([0.1, 0.3, 0.2]) =
0.2 基线误差： baseline_error = np.mean([(0.1 - 0.2) ** 2, (0.3 - 0.2) ** 2, (0.2 - 0.2) ** 2]) = 0.02

“”"