均方误差和交叉熵区别

均方误差（Mean Squared Error，MSE）和交叉熵（Cross Entropy）是两种常用的损失函数，用于衡量模型预测结果与真实标签之间的差异。它们在不同的任务和场景中有不同的应用。

均方误差（MSE）是回归问题中常用的损失函数。它计算预测值与真实值之间的平均平方差。具体计算公式如下：
MSE = (1/n) * Σ(y_pred - y_true)^2
其中，y_pred表示模型的预测值，y_true表示真实标签，n表示样本数量。MSE越小，表示模型的预测结果与真实值之间的差异越小。

交叉熵（Cross Entropy）是分类问题中常用的损失函数。它衡量了模型输出的概率分布与真实标签之间的差异。具体计算公式如下：
Cross Entropy = -Σ(y_true * log(y_pred))
其中，y_pred表示模型的预测概率分布，y_true表示真实标签。交叉熵越小，表示模型的预测结果与真实标签之间的差异越小。

总结一下两者的区别：
1. 应用场景不同：MSE主要用于回归问题，而交叉熵主要用于分类问题。
2. 计算方式不同：MSE计算预测值与真实值之间的平均平方差，而交叉熵计算模型输出的概率分布与真实标签之间的差异。
3. 敏感度不同：MSE对异常值比较敏感，而交叉熵对异常值相对不敏感。