Pertama-tama, saya menyadari jika saya perlu melakukan prediksi biner, saya harus membuat setidaknya dua kelas melalui melakukan satu-hot-encoding. Apakah ini benar? Namun, apakah binary cross entropy hanya untuk prediksi dengan hanya satu kelas? Jika saya menggunakan kerugian entropi lintas kategoris yang biasanya ditemukan di sebagian besar perpustakaan (seperti TensorFlow), apakah akan ada perbedaan yang signifikan?
Sebenarnya, apa perbedaan yang pasti antara entropi silang kategoris dan biner? Saya belum pernah melihat implementasi entropi silang biner di TensorFlow jadi saya pikir mungkin yang kategoris bekerja dengan baik.
Jawaban:
Kehilangan cross-entropy binomial adalah kasus khusus dari kehilangan cross-entropy multinomial untuk .m = 2
Di mana mengindeks sampel / observasi dan kelas indeks , dan adalah label sampel (biner untuk LSH, vektor satu-panas pada RHS) dan adalah prediksi untuk sampel.saya j y halsaya j∈ ( 0 , 1 ) : ¢jhalsaya j= 1 ∀ i , j
sumber
Binary cross-entropy adalah untuk klasifikasi multi-label, sedangkan cross entropy kategoris adalah untuk klasifikasi multi-kelas di mana setiap contoh milik satu kelas.
sumber
Saya pikir ada tiga jenis tugas klasifikasi:
Dari ini, bisa kita katakan
Saya ingin menekankan bahwa klasifikasi multi-kelas tidak mirip dengan klasifikasi multi-label ! Sebaliknya, multi-label classifier meminjam ide dari classifier biner!
sumber