习题 2-1 分析为什么平方损失函数不适用于分类问题 , 交叉熵损失函数不适用于回归问题.
平方损失函数:
平方损失函数较为容易理解，它直接测量机器学习模型的输出与实际结果之间的距离，
为学习模型的输出，
为实际结果。
交叉熵损失函数:
交叉熵是用来评估当前训练得到的概率分布与真实分布的差异情况，减少交叉熵损失就是在提高模型的预测准确率。
是真实分布的概率，
是模型通过数据计算出来的概率估计。
交叉熵损失函数只和分类正确的预测结果有关。而平方损失函数还和错误的分类有关，该损失函数除了让正确分类尽量变大，还会让错误分类都变得更加平均，但实际中后面的这个调整使没必要的。但是对于回归问题这样的考虑就显得重要了，因而回归问题上使用交叉熵损失函数并不适合。
习题 2-12 对于一个三分类问题 ， 数据集的真实标签和模型的预测标签如下 ：
分别计算模型的精确率、召回率、F1值以及它们的宏平均和微平均．
首先先引入真正例、假正例、假反例、真反例的概念。
预测结果 | |||
真 | 假 | ||
真实情况 | 真 | TP(真正例) | FN(假反例) |
假 | FP(假正例) | TN(真反例) | |
精确率:
召回率：
F值：(综合评价指标)： F值是精确率和召回率的加权调和平均。
当参数α=1时，就是最常见的F1。
宏平均：（每一类性能指标的算术平均）:
宏查准率：
宏查全率：
F1：
微平均：
总结：学会了为什么平方损失函数不适用于分类问题 , 交叉熵损失函数不适用于回归问题和如何计算模型的精确率、召回率、F1值以及它们的宏平均和微平均,更多的学习使用csdn编辑功能，受益匪浅
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
