Todos los desafíos
Fácil 0 resueltos 0% de aceptación

Entropía cruzada categórica

Mide la pérdida de un clasificador multiclase a partir de sus probabilidades predichas y las clases reales.

Lo que aprenderás

  • Puntuar probabilidades predichas frente a las clases reales
  • Promediar la pérdida entre las muestras
  • Evitar log(0) acotando los valores

Problema

Ver original (inglés)

Un clasificador multiclase devuelve una probabilidad por clase (por ejemplo, con softmax). La entropía cruzada categórica lo penaliza cuando da una probabilidad baja a la clase correcta:

loss = -(ln(p₁) + ln(p₂) + … + ln(pₙ)) / n

donde pᵢ es la probabilidad que el modelo dio a la clase correcta del ejemplo i. Para evitar ln(0), primero sube cualquier probabilidad menor que 0.0000001 a 0.0000001.

Implementa categorical_cross_entropy(probabilities, labels).

Entrada

probabilities: Una fila por ejemplo, con una probabilidad por clase.

labels: El índice de la clase correcta de cada ejemplo (empezando en 0).

Salida

Devuelve la pérdida promedio como número decimal.

Restricciones

1 ≤ ejemplos ≤ 1000, 2 ≤ clases ≤ 100

0 ≤ cada probabilidad ≤ 1

0 ≤ labels[i] < número de clases

Ejemplos

Ejemplo 1
Entrada:
probabilities = [
    [0.7, 0.2, 0.1],
    [0.1, 0.8, 0.1]
]
labels = [0, 1]

Salida esperada:
expected = 0.289909
Entrada:
std::vector<std::vector<double>> probabilities = {
    {0.7, 0.2, 0.1},
    {0.1, 0.8, 0.1}
};
std::vector<long long> labels = {0, 1};

Salida esperada:
double expected = 0.289909;
Entrada:
double[][] probabilities = new double[][] {
    new double[] {0.7, 0.2, 0.1},
    new double[] {0.1, 0.8, 0.1}
};
long[] labels = new long[] {0, 1};

Salida esperada:
double expected = 0.289909;

Explicación

Las clases correctas recibieron 0.7 y 0.8: -(ln(0.7) + ln(0.8)) / 2 = -(-0.356675 - 0.223144) / 2 ≈ 0.289909.

Ejemplo 2
Entrada:
probabilities = [
    [1.0, 0.0]
]
labels = [1]

Salida esperada:
expected = 16.118096
Entrada:
std::vector<std::vector<double>> probabilities = {
    {1.0, 0.0}
};
std::vector<long long> labels = {1};

Salida esperada:
double expected = 16.118096;
Entrada:
double[][] probabilities = new double[][] {
    new double[] {1.0, 0.0}
};
long[] labels = new long[] {1};

Salida esperada:
double expected = 16.118096;

Explicación

La clase correcta recibió probabilidad 0, que se sube a 0.0000001, así que la pérdida es -ln(0.0000001) ≈ 16.118096: una respuesta incorrecta dada con seguridad se castiga con dureza.

Cómo abordarlo

Inténtalo primero por tu cuenta y luego abre las pistas una a una.

Pista 1

Busca la probabilidad asignada a la clase correcta de cada muestra y luego promedia los logaritmos negativos de esos valores.

Pista 2

Limita hacia arriba las probabilidades muy pequeñas antes de tomar log para evitar resultados indefinidos.

Pista 3

Solo importa la clase etiquetada de cada fila, así que ignora las demás probabilidades al calcular la loss.

Complejidad esperada

tiempo O(samples), espacio extra O(1)

Referencias

Este reto está adaptado para CodeUtility. Sigue el enunciado y las restricciones indicadas arriba.

Clasificación

Clasificación completa

La mejor solución aprobada de cada programador. Las más rápidas, ligeras y mejor valoradas van primero.

Aún no hay soluciones aprobadas. Resuélvelo y quédate el primer puesto.

Aprende de otros

Soluciones de la comunidad

Aún no hay soluciones publicadas. Resuelve este reto para compartir la primera.