【23-24 秋学期】NNDL 作业2

最新推荐文章于 2024-07-13 21:18:24 发布

只想下班的章鱼哥

最新推荐文章于 2024-07-13 21:18:24 发布

阅读量73

点赞数 1

文章标签：深度学习

本文链接：https://blog.csdn.net/WYZFJHH/article/details/133246322

版权

问题一：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。

分类问题多为离散值标签，而且只在意该数据是否属于这一类或不属于这一类，但平方回归损失函数在计算损失时可能会因为一些“异常数据”（远离大部分数据）而导致损失变大，将预测误差增大。再来看回归问题，其真实标签通常是连续的数值，而交叉熵损失函数的计算依赖于类别的离散标签，并通过比较模型输出的概率分布与真实标签来计算损失，无法直接用交叉熵损失函数来计算损失。

问题二：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：

真实标签	1	1	2	2	2	3	3	3	3
预测标签	1	2	2	2	3	3	3	1	2

分别计算模型的精确率、召回率、F1值以及他们的宏平均和微平均。

精确率：

$P_1{= \frac{TP_1}{TP_1+FP_1}}=\frac{1}{1+1}=\frac{1}{2}$

$P_2{= \frac{TP_2}{TP_2+FP_2}}=\frac{2}{2+2}=\frac{1}{2}$

$P_3{= \frac{TP_3}{TP_3+FP_3}}=\frac{2}{2+1}=\frac{2}{3}$

$P_{macro}=\frac{(P_1+P_2+P_3)}{3}=\frac{5}{9}$

$P_{micro}= \frac{\sum TP_i}{\sum TP_i+\sum FP_i}=\frac{5}{9}$

召回率：

$R_1{= \frac{TP_1}{TP_1+FN_1}}=\frac{1}{1+1}=\frac{1}{2}$

$R_2{= \frac{TP_2}{TP_2+FN_2}}=\frac{2}{2+1}=\frac{2}{3}$

$R_3{= \frac{TP_3}{TP_3+FN_3}}=\frac{2}{2+2}=\frac{1}{2}$

$R_{macro}=\frac{(R_1+R_2+R_3)}{3}=\frac{5}{9}$

$R_{micro}= \frac{\sum TP_i}{\sum TP_i+\sum FN_i}=\frac{5}{9}$

F1值：

$F_{macro}=$ $2\times \frac{P_{macro}\times R_{macro}}{P_{macro}+R_{macro}}=\frac{5}{9}$

$F_{micro}=$ $2\times \frac{P_{micro}\times R_{micro}}{P_{micro}+R_{micro}}=\frac{5}{9}$

只想下班的章鱼哥

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
【23-24 秋学期】NNDL 作业2

分类问题多为离散值标签，而且只在意该数据是否属于这一类或不属于这一类，但平方回归损失函数在计算损失时可能会因为一些“异常数据”（远离大部分数据）而导致损失变大，将预测误差增大。再来看回归问题，其真实标签通常是连续的数值，而交叉熵损失函数的计算依赖于类别的离散标签，并通过比较模型输出的概率分布与真实标签来计算损失，无法直接用交叉熵损失函数来计算损失。分别计算模型的精确率、召回率、F1值以及他们的宏平均和微平均。
复制链接

扫一扫