用二交叉熵作为损失函数的二分类算法

二分类算法是一种将样本分为两个类别的机器学习算法。而二交叉熵（Binary Cross Entropy）是一种常用的损失函数，用于衡量模型预测结果与真实标签之间的差异。

在使用二交叉熵作为损失函数的二分类算法中，通常会使用sigmoid函数将模型的输出转化为概率值，表示样本属于某个类别的概率。然后，将这个概率值与真实标签进行比较，计算二交叉熵损失。

具体的计算公式如下：
L = -[y * log(p) + (1-y) * log(1-p)]
其中，L表示损失值，y表示真实标签（0或1），p表示模型预测的概率值。

通过最小化二交叉熵损失，可以使得模型更好地拟合训练数据，并且能够更准确地预测新样本的类别。

在Matlab中，可以使用以下代码计算二交叉熵损失：

function loss = binaryCrossEntropy(y, p)
    loss = - (y * log(p) + (1 - y) * log(1 - p));
end

其中，y是真实标签，p是模型预测的概率值。

需要注意的是，在实际应用中，通常会结合优化算法（如梯度下降）来最小化损失函数，从而得到更好的模型参数。