（三十三）运行回归与图形分类

1. 先检查数据与目录

data/reading.csv 有 240 条自拟阅读记录，使用“2×分钟数+3×次数+5 加小幅扰动”生成页数。data/symbols.npz 有 360 张自绘图，每类 120 张，每张随机改变线条位置并加入轻微像素扰动。原文件和生成脚本一起提供。

先看几张实际输入：同一类别的线条位置不同，较浅的像素来自扰动。可以运行 preview_data.py 重画，核对数组中保存的内容。

# 在 training_project 中运行两项离线训练。
uv run reading-train train --task regression --data data/reading.csv --output runs/regression --epochs 30
uv run reading-train train --task images --data data/symbols.npz --output runs/images --epochs 18

2. 选定后评估与预测

# 测试集在训练和验证选择完成后读取。
uv run reading-train evaluate --checkpoint runs/regression/best.pt --data data/reading.csv
uv run reading-train evaluate --checkpoint runs/images/best.pt --data data/symbols.npz
# 输入新特征，或读取一张配套图，查看保存模型的预测。
uv run reading-train predict --checkpoint runs/regression/best.pt --minutes 35 --sessions 3
uv run reading-train predict --checkpoint runs/images/best.pt --image data/one_symbol.npy

这次 CPU 运行得到以下结果，完整数值见 核验记录：

这份自绘图的类别结构很明确，可以用它逐项检查输入、训练和保存过程。继续处理手写字、照片等任务时，再准备相应数据、类别和评价方式，按同一流程比较基线与错误样本。