ฟังก์ชันค่าสูญเสีย: MSE, MAE และครอสเอนโทรปี

ฟังก์ชันค่าสูญเสีย เปลี่ยนความผิดพลาดของโมเดลให้เป็นตัวเลขเดียวที่ต้องทำให้น้อยที่สุด จงเขียน compute_loss(kind, predictions, targets) สำหรับฟังก์ชันค่าสูญเสียที่ใช้บ่อยสามแบบ โดย n คือจำนวนการทำนาย:

• "mse" (ค่าคลาดเคลื่อนกำลังสองเฉลี่ย): ค่าเฉลี่ยของ (p - t)²
• "mae" (ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย): ค่าเฉลี่ยของ |p - t|
• "binary_cross_entropy": ค่าลบของค่าเฉลี่ยของ [t × ln(p) + (1 - t) × ln(1 - p)] ก่อนอื่นให้จำกัดการทำนาย p แต่ละค่าให้อยู่ในช่วง [0.0000001, 0.9999999] เพื่อไม่ให้ต้องคำนวณ ln(0)

อินพุต

kind: "mse", "mae" หรือ "binary_cross_entropy"

predictions: ค่าที่โมเดลทำนาย

targets: ค่าที่ถูกต้อง (ความยาวเท่ากัน) สำหรับครอสเอนโทรปี ค่าจะเป็น 0 หรือ 1 และการทำนายอยู่ระหว่าง 0 ถึง 1

เอาต์พุต

คืนค่าความสูญเสียเป็นเลขทศนิยม

เงื่อนไข

1 ≤ ความยาว ≤ 1,000

-1,000 ≤ แต่ละค่า ≤ 1,000 (สำหรับครอสเอนโทรปี 0 ≤ p ≤ 1 และ t ∈ {0, 1})

ตัวอย่าง

อินพุต:
kind = "mse"
targets = [3.0, -0.5, 2.0]
predictions = [2.5, 0.0, 2.0]

ผลลัพธ์ที่คาดหวัง:
expected = 0.166667

อินพุต:
std::string kind = "mse";
std::vector<double> targets = {3.0, -0.5, 2.0};
std::vector<double> predictions = {2.5, 0.0, 2.0};

ผลลัพธ์ที่คาดหวัง:
double expected = 0.166667;

อินพุต:
string kind = "mse";
double[] targets = new double[] {3.0, -0.5, 2.0};
double[] predictions = new double[] {2.5, 0.0, 2.0};

ผลลัพธ์ที่คาดหวัง:
double expected = 0.166667;

อินพุต:
kind = "binary_cross_entropy"
targets = [1.0, 0.0]
predictions = [0.9, 0.2]

ผลลัพธ์ที่คาดหวัง:
expected = 0.164252

อินพุต:
std::string kind = "binary_cross_entropy";
std::vector<double> targets = {1.0, 0.0};
std::vector<double> predictions = {0.9, 0.2};

ผลลัพธ์ที่คาดหวัง:
double expected = 0.164252;

อินพุต:
string kind = "binary_cross_entropy";
double[] targets = new double[] {1.0, 0.0};
double[] predictions = new double[] {0.9, 0.2};

ผลลัพธ์ที่คาดหวัง:
double expected = 0.164252;

แหล่งอ้างอิง

โจทย์นี้ปรับให้เหมาะกับ CodeUtility กรุณาทำตามคำชี้แจงและข้อจำกัดด้านบน

• Goodfellow, Bengio and Courville, Deep Learning
• Michael Nielsen, Neural Networks and Deep Learning