神经网络与深度学习 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:

使用平方损失函数处理分类问题时，由于分类问题的结果是离散值,分类正确的项之间以及分类错误的项之间误差都是一样的，不具有距离的意义，通过计算平方得到的误差大小实际上并不能很好地反映误差大小，且分类问题的函数不是凸函数，会陷入局部最小点，会对优化造成困难。

平方损失函数:

   交叉熵损失函数之和分类正确的预测结果有关，但回归问题除了要让正确的分类尽量变大，还要让错误的分类变得平均。因此回归问题不适合使用 交叉熵损失函数。

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．  

		预测结果
		正例	反例
真实情况	正例	TP（真正例）	FN（假反例）
	反例	FP（假正例）	TN（真反例）

精准率（查准率）： 

 

 

召回率（查全率）： 

F值（精准率和召回率的调和平均）： 

 宏平均（每一类性能指标的算术平均）:

宏查准率： 

宏查全率： 

F1: 

 微平均（每个样本的性能指标的算术平均值）:

 

参考内容：

平方损失函数与交叉熵损失函数_m_buddy的博客-CSDN博客_平方损失函数