समस्या
मल्टी-क्लास क्लासिफ़ायर हर क्लास के लिए एक प्रायिकता देता है (जैसे सॉफ्टमैक्स से)। कैटेगोरिकल क्रॉस-एंट्रॉपी उसे तब दंडित करती है जब वह सही क्लास को कम प्रायिकता देता है:
loss = -(ln(p₁) + ln(p₂) + … + ln(pₙ)) / n
जहाँ pᵢ वह प्रायिकता है जो मॉडल ने सैंपल i की सही क्लास को दी। ln(0) से बचने के लिए पहले 0.0000001 से कम हर प्रायिकता को 0.0000001 तक बढ़ा दें।
categorical_cross_entropy(probabilities, labels) लागू करें।
इनपुट
probabilities: हर सैंपल के लिए एक पंक्ति, हर क्लास की एक प्रायिकता के साथ।
labels: हर सैंपल की सही क्लास का इंडेक्स (0 से शुरू)।
आउटपुट
औसत लॉस को दशमलव संख्या के रूप में लौटाएँ।
सीमाएँ
1 ≤ सैंपल ≤ 1,000, 2 ≤ क्लास ≤ 100
0 ≤ हर प्रायिकता ≤ 1
0 ≤ labels[i] < क्लास की संख्या
उदाहरण
इनपुट:
probabilities = [
[0.7, 0.2, 0.1],
[0.1, 0.8, 0.1]
]
labels = [0, 1]
अपेक्षित आउटपुट:
expected = 0.289909
इनपुट:
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};
अपेक्षित आउटपुट:
double expected = 0.289909;
इनपुट:
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};
अपेक्षित आउटपुट:
double expected = 0.289909;
व्याख्या
सही क्लास को 0.7 और 0.8 मिले: -(ln(0.7) + ln(0.8)) / 2 = -(-0.356675 - 0.223144) / 2 ≈ 0.289909।
इनपुट:
probabilities = [
[1.0, 0.0]
]
labels = [1]
अपेक्षित आउटपुट:
expected = 16.118096
इनपुट:
std::vector<std::vector<double>> probabilities = {
{1.0, 0.0}
};
std::vector<long long> labels = {1};
अपेक्षित आउटपुट:
double expected = 16.118096;
इनपुट:
double[][] probabilities = new double[][] {
new double[] {1.0, 0.0}
};
long[] labels = new long[] {1};
अपेक्षित आउटपुट:
double expected = 16.118096;
व्याख्या
सही क्लास को प्रायिकता 0 मिली, जिसे 0.0000001 तक बढ़ाया जाता है, इसलिए लॉस -ln(0.0000001) ≈ 16.118096 है: आत्मविश्वास से दिया गया गलत जवाब भारी दंड पाता है।
कैसे हल करें
पहले खुद कोशिश करें, फिर एक-एक करके संकेत खोलें।
संकेत 1
हर sample के सही class के लिए assigned probability देखें, फिर उन values के negative logs का average लें।
संकेत 2
Logs लेने से पहले बहुत छोटी probabilities को ऊपर की ओर clamp करें ताकि undefined results से बचा जा सके।
संकेत 3
हर row में सिर्फ labeled class मायने रखती है, इसलिए loss निकालते समय बाकी class probabilities को ignore करें।
अपेक्षित जटिलता
समय O(samples), अतिरिक्त स्थान O(1)
संदर्भ
यह चुनौती CodeUtility के लिए अनुकूलित की गई है। ऊपर दिए गए स्टेटमेंट और सीमाओं का पालन करें।