对于一个非常简单的分类问题，我的目标向量是[0,0,0,….0]，预测向量是[0,0.1,0.2,….1]，交叉熵损失和MSE损失哪一个收敛得更好/更快？当我绘制它们时，似乎MSE损失的误差更小。这是为什么呢？
或者，例如，当我的目标是[1,1,1,1….1]时，我得到了以下结果：
回答：
你听起来有点困惑…
- 比较MSE与交叉熵损失的值，并说一个比另一个低，就像是比较苹果和橘子
- MSE用于回归问题，而交叉熵损失用于分类问题；这些情境是互斥的，因此比较它们相应的损失度量值的数值是没有意义的
- 当你的预测向量像
[0,0.1,0.2,....1]（即包含非整数成分）时，如你所说，这是一个回归（而不是分类）问题；在分类设置中，我们通常使用独热编码的目标向量，其中只有一个成分是1，其余为0 - 目标向量为
[1,1,1,1....1]的情况可能出现在回归设置中，或者在多标签多类分类中，即输出可能同时属于多个类别
除此之外，你选择的绘图方式，以预测的百分比（？）为横轴，这让我感到困惑——我在机器学习诊断中从未见过这样的图表，我不太确定它们到底代表什么，或者为什么它们可能有用…
如果你喜欢详细讨论分类设置中的交叉熵损失和准确性，你可以查看我这个回答。
