Hinge loss cho phân loại hai lớp
Hinge loss là hàm mất mát của SVM: nó chỉ phạt khi mẫu bị phân loại sai hoặc nằm trong lề. Khi mẫu đã đúng và nằm ngoài lề, mất mát bằng 0 nên mô hình tập trung vào các mẫu khó.
Tiến độ của tôi ở bài này
Điểm được lưu vào tài khoản sau khi chấm bài.
Đang tải điểm của bạn…
Kiến thức và chủ đề
Kiến thức tiên quyết: dot-product.
Nội dung đề bài
Mô tả bài toán
Hinge loss là hàm mất mát của SVM: nó chỉ phạt khi mẫu bị phân loại sai hoặc nằm trong lề. Khi mẫu đã đúng và nằm ngoài lề, mất mát bằng 0 nên mô hình tập trung vào các mẫu khó.
Yêu cầu
Đọc từ stdin: dòng 1 là N; dòng 2 gồm N nhãn yi ∈ {-1, +1}; dòng 3 gồm N điểm si. In ra hinge loss trung bình 1N∑i max(0, 1 - yi si), Kết quả in với đúng 4 chữ số thập phân.
Quy ước nộp bài
- Chỉ cần viết một chương trình đọc
stdinvà in rastdout. Bài này không yêu cầu viết hàm. - Không truyền lời nhắc vào
input(). Lời nhắc sẽ bị in vàostdoutvà làm bài sai. - Chỉ in đúng nội dung ở mục Output. Không in thêm nhãn, dòng trống hay ký tự thừa.
- Output được so khớp từng ký tự, phân biệt chữ hoa/thường và dấu câu.
Input
Ba dòng: N, nhãn, điểm số.
Output
Một số thực không âm với 4 chữ số thập phân.
Ràng buộc
- 1 ≤ N ≤ 104; yi ∈ {-1, +1}; |si| ≤ 103.
Ví dụ 1
Input
3
1 -1 1
0.5 0.5 -2Output
1.6667
Ba giá trị là $0.5$, $1.5$ và $3$; trung bình bằng $5/3$.Ví dụ 2
Input
2
1 -1
2 -2Output
0.0000
Cả hai mẫu đều đúng và nằm ngoài lề nên không bị phạt.Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.
Góp ý & báo lỗi bài tập
Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.