如果预测值为概率，真实值是0、1标签，那么为什么不能用MSE作为训练二元分类的损失函数呢？
3个回答
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。
染盘
2018-03-08 11:13
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
dzzxjl
2018-03-05 21:16
相关主题
如何理解GBDT里面“损失函数的负梯度在当前模型的值，可以作为残差的估计”？
0回答
logloss的取值范围是多少？一般好的分类器能达到多少？
4回答
怎么理解surrogate loss function代理损失函数？
2回答
python求logloss
1回答
逻辑回归的损失函数是怎么来的
2回答
Gini指数、Gini系数、Gini不纯是一回事吗？
2回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！
