Sparse_categorical_crossentropy与categorical_crossentropy (角角，准确性)
Sparse_categorical_crossentropy与categorical_crossentropy (角角，准确性)
提问于 2018-12-01 06:28:06
哪一种对准确性更好，还是它们是一样的？当然，如果使用categorical_crossentropy，则使用一种热编码，如果使用sparse_categorical_crossentropy，则编码为普通整数。另外，什么时候一个比另一个好呢？
回答 2
Data Science用户
回答已采纳
发布于 2018-12-01 08:20:01
当类是相互排斥的(例如，当每个样本完全属于一个类时)，使用稀疏的分类交叉熵；当一个样本可以有多个类或标签时，使用分类交叉熵是软概率(如0.5、0.3、0.2)。
分类交叉熵的公式(S -样本，C-类，s \in c -样本属于C类)是：
对于类是排他性的情况，您不需要对它们进行求和-对于每个示例，只有非零值才是真正的类c的-log p(s \in c)。
这样可以节省时间和内存。假设有10000个类是相互排斥的--每个样本只需要一个日志，而不是10000个，只是一个整数而不是10000个浮动。
公式在这两种情况下是相同的，所以不应该影响准确性。
Data Science用户
发布于 2019-07-19 09:32:49
简单地说，
的答案是
如果你的目标是一个热编码，使用categorical_crossentropy.一种热编码的例子：
[1,0,0]
[0,1,0]
[0,0,1]但是，如果目标是整数，则使用sparse_categorical_crossentropy。整数编码示例(为了完成)：
1
2
3页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/41921
复制相关文章
相似问题
腾讯云开发者
