Alle Herausforderungen
Einfach 0 gelöst 0% Erfolgsquote

Loss Functions: MSE, MAE and Cross-Entropy

Measure how wrong a model's predictions are with mean squared error, mean absolute error or binary cross-entropy.

Das lernst du

  • Measure prediction error in three ways
  • Clip probabilities to avoid log(0)
  • Choose a loss for regression or classification

Problem

Übersetzung anzeigen

A loss function turns a model's mistakes into one number to minimize. Implement compute_loss(kind, predictions, targets) for three common losses, where n is the number of predictions:

  • "mse" (mean squared error): average of (p - t)²
  • "mae" (mean absolute error): average of |p - t|
  • "binary_cross_entropy": -average of [t × ln(p) + (1 - t) × ln(1 - p)]. First clip each prediction p to the range [0.0000001, 0.9999999] so the logarithm is never ln(0).

Input

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

predictions: The model's predictions.

targets: The correct values (same length). For cross-entropy they are 0 or 1 and predictions are between 0 and 1.

Output

Return the loss as a decimal number.

Einschränkungen

1 ≤ length ≤ 1,000

-1,000 ≤ each value ≤ 1,000 (0 ≤ p ≤ 1 and t ∈ {0, 1} for cross-entropy)

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

Squared errors: 0.5² = 0.25, 0.5² = 0.25 and 0² = 0. Their average is 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. Confident correct predictions give a small loss.

So gehst du vor

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

Hinweis 1

Each loss compares predictions to targets element by element and then averages the per-example errors.

Hinweis 2

For cross-entropy, clamp predictions away from 0 and 1 before taking logarithms.

Hinweis 3

Remember that absolute value and squaring are different, and cross-entropy uses the target as a weight on each log term.

Erwartete Komplexität

O(n) time, O(1) extra space

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.