docs/PL_benchmark_regressor_ablation.md

# Benchmark regressor ablation

## Po co jest ablation
Celem jest sprawdzenie, czy regresor SCORE wnosi stabilną wartość ponad classifier-only adaptive.

## Warianty
1. `classifier_only_no_fallback`
2. `classifier_only_union_fallback`
3. `classifier_regressor_no_fallback`
4. `classifier_regressor_union_fallback`
5. `cluster_only_triage`
6. `diverse_random_cost_balanced`
7. `single_fidelity_cost_balanced`

## Co porównujemy
- best filtered score
- top5 mean filtered score
- top10 mean filtered score
- reduction fraction
- total runs spent
- optional recall, jeśli `reference_mode=sampled`

## Fixed regressor
Domyślny regresor:
- nazwa: `fixed_score_regressor_v1`
- target: `component_sane_affinity_like`

To znaczy, że model uczy się nie surowego `SCORE`, ale przekształconego targetu o poprawnym znaku, zgodnym z tym że niższy `SCORE` oznacza lepszy wynik.

## Jak sprawdzamy znak regresora
Liczone są między innymi:
- `Spearman(predicted_score, observed_score)`
- `Spearman(-predicted_score, observed_score)`
- `Spearman(predicted_score, -observed_score)`
- `Spearman(predicted_affinity_like, observed_affinity_like)`

Jeżeli poprawny znak nie daje dodatniego sygnału, regresor nie jest uznawany za przydatny.

## Kiedy regresor zostaje
Regresor zostaje tylko wtedy, gdy:
- poprawia `top5_mean_filtered_score`
- poprawia `top10_mean_filtered_score`
- poprawa jest stabilna na seedach
- nie psuje znacząco redukcji lub kosztu

Jeżeli poprawia tylko pojedynczy best hit:
- `REGRESSOR_NOT_PROVEN_USEFUL`

Jeżeli poprawia top-k stabilnie:
- `REGRESSOR_ADDS_VALUE`

## Jak czytać wykresy
- `ablation_best_score_by_strategy.png`: najlepszy pojedynczy hit
- `ablation_top5_mean_by_strategy.png`: jakość top-5
- `ablation_top10_mean_by_strategy.png`: jakość top-10
- `ablation_reduction_vs_top10.png`: tradeoff koszt vs jakość
- `regressor_predicted_vs_observed.png`: czy regresor ma poprawny trend
- `regressor_target_comparison_spearman.png`: czy znak i target są sensowne