我见过book和Andrew Ng的神经网络成本函数，并且我注意到Andrew Ng的成本函数与神经网络书籍不同。 Ng的用途 J（Θ）= −（1 / m）∑∑ [y * log（（hΘ（x）））+（1-y）* log（1-（hΘ（x）））] 这本书使用均方误差。
每个错误公式的优缺点是什么？
答案 0 :(得分：1)
第一个成本函数（称为交叉熵损失或对数损失）用于测量输出介于0和1之间的分类模型的性能。与实际标签的偏差越大，交叉熵就越高失利。例如，当实际值为1时预测0.6的概率是不好的结果，并且会导致高损失值。当交叉熵损失为0时，模型是完美的。
MSE衡量模型预测值与实际标签值不同的平均值。可以将其视为模型在训练集上的表现，因此，当模型在训练集上的表现不佳时，成本会更高。也称为L2损失。在训练模型时，任务是最小化估计目标值与实际目标值之间的平方差。