NNDL 作业1：第二章课后题

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.
答：
平方损失函数（Quadratic Loss Function)
平方损失函数经常用在预测标签y为实数值的任务中，定义为：

交叉熵（Cross Entry）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。其离散函数形式

从平方损失函数运用到多分类场景下，可知平方损失函数对每一个输出结果都十分看重，而交叉熵损失函数只对正确分类的结果看重。例如，对于一个多分类模型其模型结果输出为（a,b,c），而实际真实结果为（1,0,0）。则根据两种损失函数的定义其损失函数可以描述为：

从上述的结果中可以看出，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．
格式要求：使用公式编辑器，在博客上正确书写公式。
答：
1的精确率：𝒫1 = 1÷2 = 0.5
2的精确率：𝒫2 = 2÷4 = 0.5
3的精确率：𝒫3 = 2÷3 = 0.67

1的召回率：ℛ1 = 1÷2 = 0.5
2的召回率：ℛ2 = 2÷3 = 0.67
3的召回率：ℛ3 = 2÷4 = 0.5

1的F1值：ℱ1 = (2×0.5×0.5)÷(0.5+0.5) = 0.5
2的F1值：ℱ2 = (2×0.5×0.67)÷(0.5+0.67) = 4÷7 = 0.57
3的F1值：ℱ3 = (2×0.67×0.5)÷(0.67+0.5) = 4÷7 = 0.57
宏平均：
𝒫𝑚𝑎𝑐𝑟𝑜 = (0.5+0.5+0.67)÷3 = 5÷9 = 0.56
ℛ𝑚𝑎𝑐𝑟𝑜 = (0.5+0.5+0.67)÷3 = 5÷9 = 0.56
ℱ1𝑚𝑎𝑐𝑟𝑜 = (2×0.56×0.56)÷(0.56+0.56) = 0.56
微平均：
𝒫micro = 5÷9 = 0.56
ℛmicro = 5÷9 = 0.56
ℱ1micro = (2×0.56×0.56)÷(0.56+0.56) = 0.56