你听起来有点困惑......

比较MSE和＆amp;的价值。交叉熵损失，并说一个比另一个低，就像比较苹果和橘子
MSE用于回归问题，而交叉熵损失用于分类问题;这些背景是相互排斥的，因此比较相应损失指标的数值是没有意义的
当您的预测向量类似于[0,0.1,0.2,....1]时（即使用非整数组件），正如您所说，问题是回归（而不是分类）;在分类设置中，我们通常使用单热编码的目标向量，其中只有一个组件为1，其余组件为0
[1,1,1,1....1]的目标向量可能是回归设置或多标签多类分类中的情况，即输出可能属于多个同时上课

除此之外，您的情节选择，横轴预测的百分比（？）令人费解 - 我从未在ML诊断中看到过这样的情节，我不确定它们到底代表什么或为什么它们很有用......

如果您想详细讨论交叉熵损失＆amp;分类设置的准确性，您可以查看我的this answer。

作为已接受答案的补充，我将回答以下问题

从概率角度看，MSE损失和交叉熵损失的解释是什么。
为什么将交叉熵用于分类，将MSE用于线性回归？

TL; DR 如果（随机）目标变量来自高斯分布，则使用MSE损失；如果（随机）目标变量来自多项式分布，则使用分类交叉熵损失。

MSE（均方误差）

线性回归的假设之一是多元正态性。由此可见，目标变量是正态分布的（有关线性回归的更多假设可以找到here和here）。

Gaussian distribution(Normal distribution)由均值 $\mu$ 和方差 $\sigma^2$ 由
给出 $\mathcal{N}(x|\mu,\sigma^2)=\frac{1}{\sqrt{2\pi\sigma^{2}}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$
在机器学习中，我们通常处理均值0和方差1的分布（或者将数据转换为均值0和方差1）。在这种情况下，正态分布为 $\mathcal{N}(x|\mu=0,\sigma^2=1)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}$ 这称为标准正态分布。
对于具有权重参数 $\mathbf{w}$ 和精度（逆方差）参数 $\beta$ 的正态分布模型，在给定输入t的情况下观测单个目标x的概率由以下公式表示

$\mathcal{p(t|x,\mathbf{w},\beta)=\mathcal{N}(t|y(x,\mathbf{w}),\beta^{-1})$ ，其中 $y(x,\mathbf{w})$ 是分布的平均值，由模型计算为
$y(x,\mathbf{w})=\sum_{i=1}^{m}w_ix^i$

现在，给定输入 $\mathbf{t}$ 的目标向量 $\mathbf{X}$ 的概率可以表示为

$p(\mathbf{t}|\mathbf{X},\mathbf{w},\beta)=\prod_{n=1}^{N}\mathcal{N}(t_n|y(x_n,\mathbf{w}),\beta^{-1})=$ $\prod_{n=1}^{N}\frac{\beta}{\sqrt{2\pi}}e^{-\beta\frac{(t_n-y(x_n,w))^2}{2}}$
取左右对数的自然对数

$\ln p(\mathbf{t}|\mathbf{X},\mathbf{w},\beta)=\ln \prod_{n=1}^{N}\frac{\beta}{\sqrt{2\pi}}e^{-\beta\frac{(t_n-y(x_n,w))^2}{2}}$
$=-\frac{\beta}{2}\sum_{n=1}^N\left{y(x_n,w)-t_n\right}^2+\frac{N}{2}\ln\beta-\frac{N}{2}\ln(2\pi)=$ $\ln L(\mathbf{w},\beta}|\mathbf{X},\mathbf{t})$
其中 $\ln L(\mathbf{w},\beta}|\mathbf{X},\mathbf{t})$ 是正常函数的对数似然。训练模型通常涉及针对 $\mathbf{w}$ 优化似然函数。现在，参数 $\mathbf{w}$ 的最大似然函数由给出（关于 $\mathbf{w}$ 的常数项可以省略），

$\ln L(\mathbf{w},\beta}|\mathbf{X},\mathbf{t})=-\frac{\beta}{2}\sum_{n=1}^N\left{y(x_n,w)-t_n\right}^2$

为了训练模型，省略常数 $\frac{-\beta}{2}$ 不会影响收敛。 $\ln L(\mathbf{w},\beta}|\mathbf{X},\mathbf{t})=\sum_{n=1}^N\left{y(x_n,w)-t_n\right}^2$ 这称为平方误差，取mean得出均方误差。
$\frac{1}{N}\ln L(\mathbf{w},\beta}|\mathbf{X},\mathbf{t})=\frac{1}{N}\sum_{n=1}^N\left{y(x_n,w)-t_n\right}^2$ ，