Machine learning 使用错误分类数作为反向传播的目标函数

我是机器学习中性网络的新手，我有一个问题，请帮我解释一下。

---

在反向传播中，要最小化的目标函数通常是输出和目标之间的平方误差之和。然而，在分类问题中，目标通常是最小化错误分类的总数。为什么这个错误分类总数不能直接用作反向传播中的目标函数？

因为数学的原因。我们真的希望尽量减少错误分类的数量，但这个目标是非均匀的，因此很难优化

所以，为了优化它，我们使用平滑代理：平方和以连续的方式惩罚你的错误。也就是说，输入参数的微小偏差会导致输出的微小变化。如果使用非连续的目标函数，则不会出现这种情况

---

另外，请注意，要找到错误分类，您需要将输出与实际答案进行比较。因为不能使用==直接比较浮点数是否相等，所以需要容忍一些错误。而且，当答案的数量要大得多的时候，错过0.001的答案并不是什么大问题。因此，您希望尽可能将预测结果与真实答案推近，并通过最小化从预测到答案的总距离来实现这一点。

非常容易理解的答案，txs。我想补充一点：通过对目标函数平方误差和的梯度下降，我们可以调整权重向量，最终找到可接受的值。对于错误分类的数量，我认为我们不能这样做。