今天要來測試並比較我們實作出的 Learned Index 與單一 Model(SLR、NN) 的分布情況，我們隨機產生 100k 筆 Lognormal (mean=0, sigma=2)分布的資料，產生出來的值乘以1000000。
Learned Index可分為 9 種:第一層 Model 為 SLR、8x8 NN、16x16 NN，第二層的 Model 都為 SLR，只是數量配置不同，可分為 3、10、100，總共 9 種 Learned Index。單一 Model 則分為 SLR、8x8 NN、16x16 NN、32x32 NN 共 4 種。

NN Model的參數配置如下(大家可再自行測試調整):

Learned Index

Learned Index不同配置下測試結果的比較圖，圖表標題表示的意思為Learned Index(第一層的模型為何, 第二層模型的數量) :

Single Model

不同Single Model測試下的比較圖 :

結論

測試完可以看到，對於 Learned Index 來說，第二層 Models 數量配置越多，越擬合 CDF分布，依據我們測試結果發現，對於 Learned Index 來說，架構配置為(SLR, 100) 最擬合 CDF分布! 跟我原本預想的不一樣，我以為(8x8, 100)、(16x16, 100)的配置會最好的說><，對於單一模型來看，NN 32x32模型擬合效果最佳!

其實測試完後，感覺不用配置到相較複雜的Learned Index，使用單一模型 NN 32x32，就足以擬合分布嘞。但我們也只是進行簡單的測試，資料數量很少只有100k，當資料來到 100M，Learned Index 是否會真的比較適合，是很值得去探討的地方! 另外 Model 調參的部分，我是手動去調 XD，也許還其他更佳的參數配置，對於 Model 訓練更好!