当前位置：首页 > news >正文

做项目的编程网站网站建设开发

news 2025/7/4 10:27:22

做项目的编程网站,网站建设开发,网站建设培训班南宁,番禺做网站设计一、均方误差（Mean Squared Error, MSE） 假设你是一个教练，在指导学生射箭。每次射箭后，你可以测量子弹的落点距离靶心的差距（误差）。MSE就像是计算所以射击误差的平方后的平均值。它强调了每一次偏离靶心的…

一、均方误差（Mean Squared Error, MSE）

假设你是一个教练，在指导学生射箭。每次射箭后，你可以测量子弹的落点距离靶心的差距（误差）。MSE就像是计算所以射击误差的平方后的平均值。它强调了每一次偏离靶心的大小。

均方误差损失函数是衡量模型预测值和实际值差异的常用指标，定义为预测值与真实值之间差异的平方和的平均值。

均方误差公式如下：

$L(y, \hat{y}) = \frac{1}{n} \sum_{i=1}^{n}(y_i - \hat{y_i})^2$

其中， $y_i$ 是真实的目标值， $\hat y_i$ 是模型预测的值， $n$ 是样本数量。

均方误差损失对大的误差“惩罚”更严重，因为它将误差平方，这意味着大误差的影响会被放大。

MSE的导数用于指导模型参数更新的方向和步长。为了求导方便，可以给损失函数乘上个二分之一：

$L(y, \hat{y}) = \frac{1}{2n} \sum_{i=1}^{n}(y_i - \hat{y_i})^2$

对于单个样本来说，参数 $\theta$ 求偏导得到的公式如下：

$\frac{dL}{d\hat{y_i}} = 2(y_i - \hat{y_i})$

$\frac{dL}{d\theta _j} =\frac{dL}{d\hat{y_i}}\frac{d\hat{y_i}}{d\theta _j} = -(y_i - \hat{y_i})\frac{d\hat{y_i}}{d\theta _j}$

这意味着对于每一个参数，模型会沿着误差方向的反方向进行调整，调整幅度与误差大小和模型输出对参数的敏感度（偏导）成正比。

假设你正在教一群学生区分猫和狗的图片。每次他们判断时，你就会根据他们回答的“是猫”或“是狗”的概率与实际标签对比，给他们打分。交叉熵就像是衡量他们的答案与正确答案之间的“信息距离”，误差分数越低表示他们的判断越接近真相。

交叉熵损失是由信息论中的交叉熵概念发展而来的，它衡量的是在给定真实标签的条件下，模型预测概率分布与真实的概率分布之间的差异。当预测值与实际标签越接近时，交叉熵损失越小。

以二分类为例交叉熵误差的公式：

$L(y, \hat{y}) = -\frac{1}{n} \sum_{i=1}^{n}[y_i \log(\hat{y_i}) + (1 - y_i) \log(1 - \hat{y_i})]$

其中的 $y_i$ 是真实的目标值， $\hat y_i$ 是模型预测的值， $n$ 是样本数量。在二分类问题中 $y \in \{0,1\}$ ，而预测值 $\hat y_i$ 也可以看成是模型预测的相应类别概率 $p$ 。所以有些公式也写成（下面公式只列举了一个样本，没有相加起来求平均）：

$L(y,p)=-ylog(p)-(1-y)log(1-p)$

交叉熵损失的导数有助于指导模型调整其输出概率。对 $\hat y_i$ 求导公式如下：

$\frac{dL}{d\hat{y_i}} = \frac{-y_i}{\hat{y_i}} + \frac{1-y_i}{1-\hat{y_i}}$

导数告诉模型，当预测概率p低于真实标签y时，应增加输出概率，反之若预测概率过高则应降低。调整幅度同样取决于输出对参数的敏感度。

均方误差用于回归问题：当目标是预测连续数值型变量时，如预测房价、气温、销售额、股票价格等，均方损失是最常用的损失函数。这类任务要求模型输出一个具体的数值，而非离散的类别标签。
交叉熵误差用于分类问题：当目标是预测离散的类别标签时，尤其是对于多类别的分类任务（包括二分类），交叉熵损失是首选的损失函数。例如，图像分类（区分猫、狗、鸟等）、文本分类（判断新闻主题、情感极性）、疾病诊断（判断患者是否患病）等。

当处理连续数值预测的回归任务时，优先考虑使用均方损失（MSE）。而当面对离散类别标签的分类任务时，交叉熵损失（CE Loss）通常是更合适的选择。