分類問題用交叉熵，回歸問題用均方誤差。

至于原因，可以看看它們的函數式，主要是兩種損失函數對分類和回歸結果誤差的衡量的方式不同。比如，交叉熵，在分類時（熱編碼），如果分類正確，則損失值為零，否則就有個較大的損失值，然后反向傳播，能夠更好地更新權重；同理，均方誤差mse，則是用來測算距離，很好地衡量了預測的實數值和事實值之間的數值大小的差異程度，如果很大，則bp之后權重更新會較為明顯，反之，則只是微調權重。

綜上，這兩種損失函數，都是為了更好地衡量你的真實結果與預測結果之間的差異的。

（但是logistic回歸為啥就不能MSE只能交叉熵？是屬于特例嘛？）

---

參考鏈接：

https://blog.csdn.net/weixin_41888969/article/details/89450163

https://www.cnblogs.com/xiaoboge/p/9656216.html

https://www.zhihu.com/question/320490312/answer/654084489

總結

以上是生活随笔為你收集整理的【机器学习】 - 关于合适用均方误差（MSE）何时用交叉熵（cross-entropy）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。