我正在尝试使用 LSTM 解决一个简单的二元分类问题。我正在尝试找出网络的正确损失函数。问题是，当我使用二元交叉熵作为损失函数时，与使用均方误差(MSE)函数相比，训练和测试的损失值相对较高。
经过研究，我发现二元交叉熵应该用于分类问题，MSE 用于回归问题。然而，就我而言，通过 MSE 进行二元分类，我获得了更好的精度和更小的损失值。
我不确定如何证明这些结果的合理性。为什么不使用均方误差来解决分类问题？
最佳答案
我想用一个例子来展示它。 假设有一个 6 类分类问题。
假设， 真实概率 = [1, 0, 0, 0, 0, 0]
情况1: 预测概率 = [0.2, 0.16, 0.16, 0.16, 0.16, 0.16]
情况 2: 预测概率 = [0.4, 0.5, 0.1, 0, 0, 0]
案例1和案例2的MSE分别为0.128和0.1033。
尽管情况 1 正确预测了实例的类别 1，但情况 1 中的损失高于情况 2 中的损失。
关于python - 为什么不使用均方误差来解决分类问题？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56013688/