逻辑回归的损失函数应该反映预测值与分类标签 0 和 1 的距离,因此适合采用交叉熵损失函数。A. 正确B. 错误

逻辑回归是一种用于分类问题的算法，其输出是概率值（0到1之间）。损失函数的作用是衡量预测值与真实标签的差异。交叉熵损失函数能够有效反映预测概率与真实标签（0或1）之间的距离，尤其在分类任务中，它通过惩罚预测值与真实标签的偏差，帮助模型优化参数。因此，题目中的说法正确。

关键概念解析

1. 逻辑回归的输出：预测概率（0到1），而非直接类别。
2. 交叉熵损失：衡量预测概率分布与真实分布的差异，公式为：
   $L = -\left( y \log p + (1-y) \log (1-p) \right)$
   • 当真实标签$y=1$时，若预测值$p$小，$\log p$为大负数，损失增大。
   • 当真实标签$y=0$时，若预测值$p$接近1，$\log(1-p)$为大负数，损失同样增大。
3. 平方损失的局限性：对概率值的误差惩罚较弱，可能导致模型收敛效果差。

为什么选择交叉熵？

• 概率性质：交叉熵直接利用概率输出，符合逻辑回归的特性。
• 优化效果：对预测值远离真实标签的情况给予更大惩罚，加速模型学习。