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.

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：

首先我们要了解分类的概念。在一个二分类问题中y = { + 1 , − 1 } 在K分类问题中，y = { 1 , 2 , 3 ， ⋅ ⋅ ⋅ ， C } 可以看出分类问题输出的结果为离散的值。分类问题中的标签，是没有连续的概念的。每个标签之间的距离也是没有实际意义的。所以平方损失函数的值不能反应分类这个问题的优化程度。比如分类 1,2,3, 真实分类是1, 而被分类到2和3错误程度应该是一样的,但是明显当我们预测到2的时候是损失函数的值为1/2,预测到3的时候损失函数却为2，在相同的结果下却给出了不同的值，这对我们优化参数产生了误导。因此平方损失函数不适用于分类问题。

从平方损失函数运用到多分类场景下，可知平方函数对每一个输出结果都十分看重，而交叉熵损失函数值的正确的分类结果看重。该损失函数除了让正确分类变大，还会让错误分类都变得平均，但实际中后面这个调整是没有必要的，但是对于回归问题这样的考虑就显得重要了。因此交叉熵损失函数不适用于回归问题。

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 ：

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值以及它们的宏平均和微平均．  

混淆矩阵：

	预测为真	预测为假
类别为真	正确预测成真（True Positive，TP）	错误预测为假（False Nagetive，FN）
类别为假	错误预测为真（False Positive，FP）	正确预测为假（True　Nagetive，TN）

精确率：

召回率：

F值：

宏平均:

微平均:

总结：学会了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，并且学会了如何使用CSDN的插入公式。