Kategorisk krydsentropi er en tabsfunktion, der bruges i multi-klasse klassifikationsopgaver. Det er opgaver, hvor et eksempel kun kan tilhøre én ud af mange mulige kategorier, og modellen skal afgøre hvilken. Formelt er den designet til at kvantificere forskellen mellem to sandsynlighedsfordelinger.
Hvorfor bruge krydsentropi i stedet for MSE?
For det første er krydsentropi (eller softmax-tab, men krydsentropi virker bedre) et bedre mål end MSE for klassificering, fordi beslutningsgrænsen i en klassifikationsopgave er stor(i sammenligning med regression). … For regressionsproblemer ville du næsten altid bruge MSE.
Hvad er forskellen mellem sparsom krydsentropi og kategorisk krydsentropi?
Den eneste forskel mellem sparsom kategorisk krydsentropi og kategorisk krydsentropi er formatet for ægte etiketter. Når vi har et enkelt-label, multi-class klassificeringsproblem, er etiketterne gensidigt udelukkende for hver data, hvilket betyder, at hver dataindtastning kun kan tilhøre én klasse.
Hvordan fortolker du kategorisk krydsentropitab?
Krydsentropi stiger, når den forudsagte sandsynlighed for en stikprøve afviger fra den faktiske værdi. Forudsigelse af en sandsynlighed på 0,05, når den faktiske etiket har en værdi på 1, øger derfor krydsentropitabet. angiver den forudsagte sandsynlighed mellem 0 og 1 for den prøve.
Hvorfor er krydsentropi god?
Samlet set, som vi kan se, er krydsentropien simpelthen en måde at måle sandsynligheden for en model på. Krydsentropien er nyttig, da den kan beskrive, hvor sandsynlig en model er, og fejlfunktionen for hvert datapunkt. Det kan også bruges til at beskrive et forudsagt resultat sammenlignet med det sande resultat.
