如果要具体地说的话，那是因为用MSE作为二元分类的损失函数会有梯度消失的问题。

给你推导一番：

$loss=\sum^{N}_{i}(y_{i}-\sigma(w^{T}x_{i}))^{2}$    ,其中$\sigma(w^{T}x_{i})=\frac{1}{1+exp(-w^{T}x_{i})}$

$\frac{\partial loss}{\partial w}=\sum^{N}_{i}(-2(y_{i}-\sigma(w^{T}x_{i}))\sigma(w^{T}x_{i})(1-\sigma(w^{T}x_{i}))x_{i})$

因为$\sigma(w^{T}x_{i})$的优化目标是接近$y_{i}$

所以$\sigma(w^{T}x_{i})$和$(1-\sigma(w^{T}x_{i}))$中的一个也会越来越接近0，也就是梯度消失。

而CrossEntropy的梯度是$\sum^{N}_{i}(\sigma(w^{T}x_{i})-y_{i})x_{i}$就没有这个问题。

关于CrossEntropy的梯度用SGD计算逻辑回归时的迭代公式是什么？

不用MSE也是有理论依据的。理论依据来源于surrogate loss function。

准确率(accuray)是不连续的，所以需要用连续的函数来代理。

红色是Hing Loss，绿色是Log Loss，而浅蓝色是MSE。明显可以看出浅蓝色不是好的代理，所以优化MSE并不能优化模型的准确度。

CrossEntropy比MSE的优点是：

1.在nobodyoo1中说的，MSE有梯度消失的问题。

2.在Andrew Ng的ppt中（参考），$MSE(y,\sigma(X^Tw))$是non-convex。有很多local minimum。

这个所谓的“Non-convex”应该指因为梯度消失问题，数据点是loss上的saddle point,如果learning rate不是足够大，有些saddle point会变成很难跳出的“local minimum”。

我的理解是MSE可以作为二元分类的损失函数，但是效果不好。

其实某种意义上也可以将二元分类看做回归问题，即将$y=1$，$y=0$看做实数域上的两个值就可以了，不要想着类别，最终应该也可以得到一个模型，但是效果很差（网络上有人试过，你也可以自己试一试）。

其实机器学习很多问题是很灵活的，对于很多问题，可以考虑不同的模型、损失函数等等，但是当然要具体问题具体分析选择适合他的喽

如果把平方损失函数用在逻辑回归上，那么就是下图这样的过程

最后两行的意思说，如果真是标签是1，你的预测值越接近接近0，梯度越小。这样的目标函数显然是无法进行二元分类的。

之所以用logloss来作为逻辑回归的损失函数，是因为它是通过最大似然估计得到的。

类似地，mse是线性回归的损失函数，也是通过最大似然估计得到的。

感觉这就是个常识。均方根误差(MSE)只能用回归，二元分类一般用log loss。

我也不知道有没有什么科学道理。

从梯度来讲，mse容易梯度消失