श्रेणीबद्ध क्रॉसेंट्रॉपी एक हानि फ़ंक्शन है जिसका उपयोग बहु-वर्ग वर्गीकरण कार्यों में किया जाता है। ये ऐसे कार्य हैं जहां एक उदाहरण कई संभावित श्रेणियों में से केवल एक से संबंधित हो सकता है, और मॉडल को यह तय करना होगा कि कौन सा है। औपचारिक रूप से, यह दो संभाव्यता वितरणों के बीच अंतर को मापने के लिए डिज़ाइन किया गया है।
एमएसई के बजाय क्रॉस एन्ट्रॉपी का उपयोग क्यों करें?
पहला, क्रॉस-एन्ट्रॉपी (या सॉफ्टमैक्स हानि, लेकिन क्रॉस-एन्ट्रॉपी बेहतर काम करता है) वर्गीकरण के लिए एमएसई से बेहतर उपाय है, क्योंकि वर्गीकरण कार्य में निर्णय सीमा बड़ी है(प्रतिगमन की तुलना में)। … प्रतिगमन समस्याओं के लिए, आप लगभग हमेशा MSE का उपयोग करेंगे।
स्पैस क्रॉस एंट्रॉपी और स्पष्ट क्रॉस एन्ट्रॉपी के बीच क्या अंतर है?
स्पैस श्रेणीबद्ध क्रॉस एन्ट्रॉपी और श्रेणीबद्ध क्रॉस एन्ट्रॉपी के बीच एकमात्र अंतर सच्चे लेबल का प्रारूप है। जब हमारे पास एकल-लेबल, बहु-वर्ग वर्गीकरण समस्या होती है, तो लेबल प्रत्येक डेटा के लिए परस्पर अनन्य होते हैं, जिसका अर्थ है कि प्रत्येक डेटा प्रविष्टि केवल एक वर्ग से संबंधित हो सकती है।
आप श्रेणीबद्ध क्रॉस एन्ट्रापी हानि की व्याख्या कैसे करते हैं?
क्रॉस एंट्रॉपी बढ़ जाती है क्योंकि वास्तविक मूल्य से नमूने के विचलन की अनुमानित संभावना बढ़ जाती है। इसलिए, 0.05 की संभावना की भविष्यवाणी करते हुए जब वास्तविक लेबल का मान 1 होता है, तो क्रॉस एन्ट्रॉपी लॉस बढ़ जाता है। उस नमूने के लिए 0 और 1 के बीच की अनुमानित संभावना को दर्शाता है।
क्रॉस एन्ट्रापी क्यों अच्छी है?
कुल मिलाकर, जैसा कि हम देख सकते हैं कि क्रॉस-एन्ट्रॉपी एक मॉडल की संभावना को मापने का एक तरीका है। क्रॉस-एन्ट्रॉपी उपयोगी है क्योंकि यह वर्णन कर सकता है कि एक मॉडल की कितनी संभावना है और प्रत्येक डेटा बिंदु का त्रुटि कार्य। इसका उपयोग वास्तविक परिणाम की तुलना में अनुमानित परिणाम का वर्णन करने के लिए भी किया जा सकता है।
