我应该使用什么样的损失函数来解决这个 multi-class multi-label(?) 问题？
What sort of loss function should I use this multi-class multi-label(?) problem?
在我的实验中，我试图训练一个神经网络来检测患者是否表现出症状 A、B、C、D。我的数据包括每个患者不同角度的照片以及他们是否有症状 A， B、C、D。
现在，pytoch，我正在使用 MSELoss 并将我的测试错误计算为分类总数中正确分类的总数。我猜这太天真了，甚至不合适。
测试误差计算的示例如下所示：
假设我们有 2 名患者，每名患者有两张图像。那么总共会有 16 个分类（1 个用于患者 1 是否有照片 1 中的症状 A、B、C、D，等等）。如果模型正确预测照片 1 中患者 1 表现出症状 A，那么正确分类的总数将增加 1。
我建议在多class 多标签class化中使用binary-crossentropy。对于多标签 class化，这似乎违反直觉，但请记住，这里的目标是将每个输出标签视为独立分布（或 class）。
在pytorch中你可以使用torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')。这创建了一个标准来衡量目标和输出之间的二进制交叉熵。
在我的实验中，我试图训练一个神经网络来检测患者是否表现出症状 A、B、C、D。我的数据包括每个患者不同角度的照片以及他们是否有症状 A， B、C、D。
现在，pytoch，我正在使用 MSELoss 并将我的测试错误计算为分类总数中正确分类的总数。我猜这太天真了，甚至不合适。
测试误差计算的示例如下所示： 假设我们有 2 名患者，每名患者有两张图像。那么总共会有 16 个分类（1 个用于患者 1 是否有照片 1 中的症状 A、B、C、D，等等）。如果模型正确预测照片 1 中患者 1 表现出症状 A，那么正确分类的总数将增加 1。
我建议在多class 多标签class化中使用binary-crossentropy。对于多标签 class化，这似乎违反直觉，但请记住，这里的目标是将每个输出标签视为独立分布（或 class）。
在pytorch中你可以使用torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')。这创建了一个标准来衡量目标和输出之间的二进制交叉熵。