Machine learning 交叉熵损失对F分数的影响
我正在训练一个FCN（完全卷积网络），并使用“S形交叉熵”作为损失函数。 我的测量是F-measure和MAE。 列车/开发损失w.r.t迭代图如下所示： 尽管在#Iter=2200之后，Dev损耗略有增加，但我对Dev set的测量已经改进到接近#Iter=10000。我想知道机器学习有可能吗？如果F-measure得到了改进，那么损失是否也应该减少？你怎么解释呢Machine learning 交叉熵损失对F分数的影响,machine-learning,neural-network,caffe,loss-function,cross-entropy,Machine Learning,Neural Network,Caffe,Loss Function,Cross Entropy,我正在训练一个FCN（完全卷积网络），并使用“S形交叉熵”作为损失函数。 我的测量是F-measure和MAE。 列车/开发损失w.r.t迭代图如下所示： 尽管在#Iter=2200之后，Dev损耗略有增加，但我对Dev set的测量已经改进到接近#Iter=10000。我想知道机器学习有可能吗？如果F-measure得到了改进，那么损失是否也应该减少？你怎么解释呢 非常感谢您的回答。简短的回答，是的这是可能的 我将如何解释它是通过推理交叉熵损失以及它与度量的区别。一般来说，分类损失函数用于根据
非常感谢您的回答。简短的回答，是的这是可能的 我将如何解释它是通过推理交叉熵损失以及它与度量的区别。一般来说，分类损失函数用于根据概率（0.1/0.9）优化模型，而度量通常使用预测标签。（0/1）
- 假设在模型概率假设中有很强的置信度（接近0或1），错误的预测将大大增加损失，并在F-度量中有小幅度的减少
- 同样，在相反的情况下，置信度较低的模型（例如0.49/0.51）对损失函数的影响较小（从数值角度看），而对指标的影响较大