Alle Herausforderungen
Einfach 0 gelöst 0% Erfolgsquote

Verlustfunktionen: MSE, MAE und Kreuzentropie

Miss, wie falsch die Vorhersagen eines Modells sind, mit mittlerem quadratischem Fehler, mittlerem absolutem Fehler oder binärer Kreuzentropie.

Das lernst du

  • Den Vorhersagefehler auf drei Arten messen
  • Wahrscheinlichkeiten begrenzen, um log(0) zu vermeiden
  • Eine Verlustfunktion für Regression oder Klassifikation wählen

Problem

Eine Verlustfunktion macht aus den Fehlern eines Modells eine einzige Zahl, die minimiert werden soll. Implementiere compute_loss(kind, predictions, targets) für drei gängige Verluste, wobei n die Anzahl der Vorhersagen ist:

  • "mse" (mittlerer quadratischer Fehler): Mittelwert von (p - t)²
  • "mae" (mittlerer absoluter Fehler): Mittelwert von |p - t|
  • "binary_cross_entropy": -Mittelwert von [t × ln(p) + (1 - t) × ln(1 - p)]. Begrenze zuerst jede Vorhersage p auf den Bereich [0.0000001, 0.9999999], damit der Logarithmus nie ln(0) ist.

Eingabe

kind: "mse", "mae" oder "binary_cross_entropy".

predictions: Die Vorhersagen des Modells.

targets: Die korrekten Werte (gleiche Länge). Bei der Kreuzentropie sind sie 0 oder 1, und die Vorhersagen liegen zwischen 0 und 1.

Ausgabe

Gib den Verlust als Dezimalzahl zurück.

Einschränkungen

1 ≤ Länge ≤ 1.000

-1.000 ≤ jeder Wert ≤ 1.000 (0 ≤ p ≤ 1 und t ∈ {0, 1} bei Kreuzentropie)

Beispiele

Beispiel 1
Eingabe:
kind = "mse"
predictions = [2.5, 0.0, 2.0]
targets = [3.0, -0.5, 2.0]

Erwartete Ausgabe:
expected = 0.166667
Eingabe:
std::string kind = "mse";
std::vector<double> predictions = {2.5, 0.0, 2.0};
std::vector<double> targets = {3.0, -0.5, 2.0};

Erwartete Ausgabe:
double expected = 0.166667;
Eingabe:
string kind = "mse";
double[] predictions = new double[] {2.5, 0.0, 2.0};
double[] targets = new double[] {3.0, -0.5, 2.0};

Erwartete Ausgabe:
double expected = 0.166667;

Erläuterung

Quadratische Fehler: 0.5² = 0.25, 0.5² = 0.25 und 0² = 0. Ihr Mittelwert ist 0.5 / 3 ≈ 0.166667.

Beispiel 2
Eingabe:
kind = "binary_cross_entropy"
predictions = [0.9, 0.2]
targets = [1.0, 0.0]

Erwartete Ausgabe:
expected = 0.164252
Eingabe:
std::string kind = "binary_cross_entropy";
std::vector<double> predictions = {0.9, 0.2};
std::vector<double> targets = {1.0, 0.0};

Erwartete Ausgabe:
double expected = 0.164252;
Eingabe:
string kind = "binary_cross_entropy";
double[] predictions = new double[] {0.9, 0.2};
double[] targets = new double[] {1.0, 0.0};

Erwartete Ausgabe:
double expected = 0.164252;

Erläuterung

-(ln(0.9) + ln(1 - 0.2)) / 2 = -(-0.105361 - 0.223144) / 2 ≈ 0.164252. Sichere, richtige Vorhersagen ergeben einen kleinen Verlust.

So gehst du vor

Versuch es zuerst allein und öffne dann einen Hinweis nach dem anderen.

Hinweis 1

Jeder Loss vergleicht Vorhersagen mit Zielen elementweise und mittelt dann die Fehler pro Beispiel.

Hinweis 2

Bei Cross-Entropy solltest du Vorhersagen vor dem Logarithmieren von 0 und 1 fernhalten.

Hinweis 3

Denk daran, dass Betrag und Quadrieren nicht dasselbe sind, und dass Cross-Entropy das Ziel als Gewicht für jeden Log-Term nutzt.

Erwartete Komplexität

Zeit O(n), zusätzlicher Speicher O(1)

Referenzen

Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.

Die beste bestandene Lösung jedes Coders. Schnellere, sparsamere und besser bewertete Lösungen stehen weiter oben.

Noch keine bestandene Lösung. Löse sie und hol dir Platz eins.

Von anderen lernen

Community-Lösungen

Noch keine veröffentlichten Lösungen. Löse die Aufgabe und teile als Erster eine Lösung.