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.
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。
习题2-1
解:
平方损失函数:
交叉熵损失函数:
平方损失函数:假设误差是正态分布,适用于线性的输出(如回归问题),特点是对于与真实结果差别越大,则惩罚力度越大,这并不适用于分类问题。
交叉熵损失: 假设误差是二值分析,可以视为预测概率分布和真实概率分布的相似程度,在分类问题中有良好应用。
习题2-12
引入真正例、假正例、假反例、真反例的概念
正例 | 反例 | |
正例 | TP(真正例) | FN(假反例) |
反例 | FP(假正例) | TN(真反例) |
精确率(查准率)
召回率(查全率)
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。
令参数α=1时,
宏平均:
宏查准率:
宏查全率:
F1:
微平均:
另外说明一下学习公式编辑的博客:公式编辑
总结:就是对前面做的实验进行简单复习并且更加深刻理解了平方损失函数和交叉熵损失函数,并且也学会了简单的公式编辑。