Đề bài
A loss function turns a model's mistakes into one number to minimize. Implement compute_loss(kind, predictions, targets) for three common losses, where n is the number of predictions:
"mse"(mean squared error): average of (p - t)²"mae"(mean absolute error): average of |p - t|"binary_cross_entropy": -average of [t × ln(p) + (1 - t) × ln(1 - p)]. First clip each prediction p to the range [0.0000001, 0.9999999] so the logarithm is never ln(0).
Input
kind: "mse", "mae" or "binary_cross_entropy".
predictions: The model's predictions.
targets: The correct values (same length). For cross-entropy they are 0 or 1 and predictions are between 0 and 1.
Output
Return the loss as a decimal number.
Ràng buộc
1 ≤ length ≤ 1,000
-1,000 ≤ each value ≤ 1,000 (0 ≤ p ≤ 1 and t ∈ {0, 1} for cross-entropy)
Ví dụ
Đầu vào:
kind = "mse"
targets = [3.0, -0.5, 2.0]
predictions = [2.5, 0.0, 2.0]
Kết quả mong đợi:
expected = 0.166667Đầu vào:
std::string kind = "mse";
std::vector<double> targets = {3.0, -0.5, 2.0};
std::vector<double> predictions = {2.5, 0.0, 2.0};
Kết quả mong đợi:
double expected = 0.166667;Đầu vào:
string kind = "mse";
double[] targets = new double[] {3.0, -0.5, 2.0};
double[] predictions = new double[] {2.5, 0.0, 2.0};
Kết quả mong đợi:
double expected = 0.166667;Giải thích
Squared errors: 0.5² = 0.25, 0.5² = 0.25 and 0² = 0. Their average is 0.5 / 3 ≈ 0.166667.
Đầu vào:
kind = "binary_cross_entropy"
targets = [1.0, 0.0]
predictions = [0.9, 0.2]
Kết quả mong đợi:
expected = 0.164252Đầu vào:
std::string kind = "binary_cross_entropy";
std::vector<double> targets = {1.0, 0.0};
std::vector<double> predictions = {0.9, 0.2};
Kết quả mong đợi:
double expected = 0.164252;Đầu vào:
string kind = "binary_cross_entropy";
double[] targets = new double[] {1.0, 0.0};
double[] predictions = new double[] {0.9, 0.2};
Kết quả mong đợi:
double expected = 0.164252;Giải thích
-(ln(0.9) + ln(1 - 0.2)) / 2 = -(-0.105361 - 0.223144) / 2 ≈ 0.164252. Confident correct predictions give a small loss.
Hướng tiếp cận
Hãy tự thử trước, sau đó mở từng gợi ý một.
Gợi ý 1
Each loss compares predictions to targets element by element and then averages the per-example errors.
Gợi ý 2
For cross-entropy, clamp predictions away from 0 and 1 before taking logarithms.
Gợi ý 3
Remember that absolute value and squaring are different, and cross-entropy uses the target as a weight on each log term.
Độ phức tạp mong đợi
O(n) time, O(1) extra space
Tham khảo
Thử thách này đã được điều chỉnh cho CodeUtility. Hãy làm theo đề bài và các ràng buộc ở trên.