针对MovieLens 100k评分预测任务，应选用何种损失函数？

针对你用MovieLens 100k数据集做1-5整数评分预测的任务，结合你搭建的全连接神经网络结构，下面是适合的损失函数分析和实用建议：

1. 均方误差（MSE）/ 均方根误差（RMSE） #

这是最直接的选择之一：

• 适用场景：把1-5的评分当作连续数值近似处理（虽然实际是整数，但这个范围很小，连续近似在实践中效果不错）。
• 优势：计算简单，收敛稳定，而且和MovieLens任务常用的评估指标RMSE完全对齐，训练目标和最终评估标准一致，调参更直观。
• 注意事项：模型输出是连续值，最后需要把预测结果四舍五入到1-5的整数区间，还要用np.clip()之类的操作限制结果不超出1-5的范围。

2. 稀疏分类交叉熵（SparseCategoricalCrossentropy） #

如果把每个评分看作独立类别：

• 适用场景：不用对1-5的标签做one-hot编码，直接用原始整数标签即可，节省内存开销。
• 优势：模型输出层可以用softmax激活，得到每个评分的概率分布，最后取概率最高的类别作为预测结果，逻辑清晰。
• 小缺点：这种方式忽略了评分的有序性（比如5分和4分的差异，被等同于5分和1分的差异），损失了部分等级信息，但在实践中也能达到不错的精度。

3. 有序交叉熵（Ordinal Crossentropy） #

这是最贴合任务本质的损失函数：

• 适用场景：因为1-5的评分是有序等级标签（5分>4分>3分…存在明确的顺序关系），普通分类交叉熵没有利用这个信息，而有序交叉熵专门针对这类任务设计。
• 原理：把单个有序标签拆成多个二分类任务，比如对于评分3，模型需要预测"评分≥1"、"评分≥2"、"评分≥3"这三个二分类结果，然后对每个二分类的交叉熵损失求和。
• 优势：充分利用了评分的有序信息，理论上比前两种损失更合理，在评分预测任务中往往能取得更优的结果。
• 实现：Keras没有内置该损失，你可以自己写自定义损失函数，核心逻辑是把整数标签转换成多标签的二分类目标，再计算交叉熵。

4. 平滑L1损失（Huber Loss） #

如果你的数据存在少量极端评分的异常样本：

• 适用场景：介于MSE和MAE之间，对异常值的鲁棒性比MSE更强，不会因为个别偏差极大的样本让损失爆炸。
• 优势：当预测值和真实值差异较小时，表现和MSE一致（保证收敛精度）；差异大时，自动切换成类似MAE的特性，避免模型被异常样本主导。

• 追求简单高效、快速验证模型：优先选MSE，和评估指标对齐，实现零成本；
• 想要概率化输出、处理类别标签：选SparseCategoricalCrossentropy，不用做one-hot，代码更简洁；
• 追求最优性能、贴合任务本质：实现有序交叉熵损失，这是针对有序评分任务的最优选择。

内容的提问来源于stack exchange，提问作者rept