【23-24 秋学期】NNDL 作业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

        对于回归问题，目标是预测一个连续的输出。但对于分类问题，分类标签通常是离散的，不是连续的，因此平方差损失函数会在分类问题中会产生不合理的结果。例如，在二分类问题中，预测结果为0.9，实际标签为1，平方损失函数会得到0.01的损失。但对于分类问题，我们更关心的是正确分类与错误分类之间的差异，而不是具体的差值。

        交叉熵损失函数量化了模型预测的概率分布与实际标签之间的差异。对于分类问题，交叉熵损失函数更适合，因为它能够有效地衡量分类错误的程度。在一个多分类问题中，交叉熵损失函数可以帮助我们更好地优化模型，使得预测的概率分布与实际标签更加接近。但对于回归问题，我们往往不需要关注类别概率的差异，而是更关注具体的数值预测，因此交叉熵损失函数在回归问题中并不适用。

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：

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。

在计算模型的精确率（Precision）、召回率（Recall）和 F1 值（F1-Score）之前，我们需要了解一些基本概念：

	实际为真	实际为假
预测为真（P）	TP（预测为真，实际为真）	FP（预测为真，实际为假）
预测为假（N）	FN（预测为假，实际为真）	TN（预测为假，实际为假）

根据上述概念，我们可以计算以下指标：

1. 精确率（Precision）：

即正例中被正确预测为正例的比例。

2. 召回率（Recall）：

即正确预测为正例的样本占所有实际正例样本的比例。

3. F1 值（F1-Score）：

即精确率和召回率的调和平均值。

计算洪平均和微平均的步骤如下：

1. 对于每个给出的数据集，计算每个类别的精确率、召回率和 F1 值，如下表所示：

	TP	FP	FN
类别1	1	1	1
类别2	2	2	1
类别3	2	1	2
总和	5	4	4

2. 计算每个类别的精确率、召回率和 F1 值求和。

	精确率	召回率	F1值
类别1	0.5	0.5	0.5
类别2	0.5	0.67	0.572
类别3	0.67	0.5	0.572

3.计算洪平均（将每个类别的精确率、召回率和 F1 值求和，再除以类别数）和微平均（利用上文计算出的TP、FP和FN的总和计算）

	精确率	召回率	F1值
洪平均	0.557	0.557	0.548
微平均	0.556	0.556	0.556