【23-24 秋学期】NNDL 作业2

1.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？

损失函数是用来估量模型的预测值与真实值的不一致程度，损失函数越小，模型的鲁棒性越好。

平方损失函数不适用于分类问题的原因：首先，分类问题的标签是离散的值，标签之间没有关系，这时如果要用平方损失函数处理分类问题，通过计算各个样本之间的距离来衡量损失程度是不合适的。例如分类一个标签集合为{1,2,3}的数据集，对于一个真实值为1的样本，它被错分到2,3的损失程度应该是一样的（标签之间没有关系），但是根据平方损失函数，它被错分入2,3的损失函数分别为1/2,2，看出显然是不合适的。

交叉熵损失函数不适用于回归问题的原因：交叉熵损失函数的分类结果只和正确的预测结果有关，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。

2.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：

分别计算模型的精准率、召回率、F1值以及它们的宏平均和微平均。

格式要求：使用公式编辑器，在博客上正确书写格式。

真实标签\预测标签	1	2	3
1	1	1	0
2	0	2	1
3	1	1	2

使用LaTaX公式编辑器计算：

准确率：

召回率：

F值：

宏平均：

微平均：