习题 2-1 分析为什么平方损失函数不适用于分类问题 , 交叉熵损失函数不适用于回归问题.

答：
 平方损失函数:

       平方损失函数较为容易理解，它直接测量机器学习模型的输出与实际结果之间的距离，为学习模型的输出，为实际结果。

交叉熵损失函数:

        交叉熵是用来评估当前训练得到的概率分布与真实分布的差异情况，减少交叉熵损失就是在提高模型的预测准确率。是真实分布的概率，是模型通过数据计算出来的概率估计。

        从平方损失函数运用到多分类场景下，可知平方损失函数对每一个输出结果都十分看重，而交叉熵损失函数只对正确分类的结果看重。交叉熵损失函数只和分类正确的预测结果有关。而平方损失函数还和错误的分类有关，平方损失函数除了让正确分类尽量变大，还会让错误分类都变得更加平均，但实际中后面的这个调整使没必要的。但是对于回归问题这样的考虑就显得重要了，因而回归问题上使用交叉熵并不适合。

习题 2-12 对于一个三分类问题 ， 数据集的真实标签和模型的预测标签如下 ：

分别计算模型的精确率、召回率、F1值以及它们的宏平均和微平均．  

 答：首先先引入真正例、假正例、假反例、真反例的概念。

		预测结果
		真	假
真实情况	真	TP(真正例)	FN(假反例)
	假	FP(假正例)	TN(真反例)

精确率(查准率):

 

 召回率(查全率)：

F值(综合评价指标)：   F值是精确率和召回率的加权调和平均。

当参数α=1时，就是最常见的F1。

 

 宏平均（每一类性能指标的算术平均）:

宏查准率： 

宏查全率： 

F1: 

 微平均（每个样本的性能指标的算术平均值）:

收获：学会了使用公式写博客，比原想的要简单，但是打了好久，大概两个多小时？主要还是用的不够熟练，以后有用到公式的地方就不用截图了。了解了交叉损失函数的计算以及特点。复习了TP等的概念，这次试验可以说获益匪浅。

 参考内容：

平方损失函数与交叉熵损失函数

机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线