以下哪些是交叉熵损失函数的特点？A. 交叉熵损失函数用于回归任务B. 交叉熵损失函数度量预测概率分布与真实分布的差距C. 交叉熵损失函数在分类任务中常用D. 交叉熵损失函数的值越小，模型预测越准确E. 交叉熵损失函数不适用于多分类问题

交叉熵损失函数是机器学习中常用的损失函数，主要应用于分类任务。其核心作用是衡量预测概率分布与真实分布之间的差异。理解其特点需抓住以下关键点：

1. 分类任务专用：交叉熵损失函数常用于分类问题（如二分类、多分类），而非回归任务。
2. 概率分布差异度量：它通过计算两个概率分布之间的交叉熵，反映预测与真实分布的接近程度。
3. 损失值与预测准确性关系：损失值越小，说明模型预测越接近真实分布，预测越准确。
4. 多分类适用性：交叉熵损失函数支持多分类问题（如通过Softmax结合交叉熵）。

选项分析

A 交叉熵损失函数用于回归任务

• 错误。回归任务通常使用均方误差（MSE）、均方根误差（RMSE）等损失函数，而交叉熵主要用于分类任务中的概率预测。

B 交叉熵损失函数度量预测概率分布与真实分布的差距

• 正确。交叉熵的核心功能是计算两个概率分布之间的差异，损失值越大表示分布差异越大。

C 交叉熵损失函数在分类任务中常用

• 正确。交叉熵是分类任务中的标准损失函数，例如逻辑回归（二分类）和Softmax回归（多分类）均采用交叉熵损失。

D 交叉熵损失函数的值越小，模型预测越准确

• 正确。当预测分布与真实分布越接近时，交叉熵损失值越小，模型预测精度越高。

E 交叉熵损失函数不适用于多分类问题

• 错误。交叉熵广泛应用于多分类问题，例如通过Softmax函数将多分类问题转化为概率分布的比较。