分类任务训练集loss不下降

深度学习中对股票收益率进行预测，使用CrossEntropyLoss做loss进行分类任务时表现的很差，测试集的loss在经过很细微的下降之后立刻上升。
用MSE做回归任务的时候效果是正常的。

该回答引用ChatGPT

在深度学习中，CrossEntropyLoss通常用于多分类任务，而MSE则通常用于回归任务。对于股票收益率的预测问题，由于其是一个连续的变量，因此更适合用回归任务来解决。使用MSE作为损失函数可以使神经网络更容易学习到收益率的连续变化趋势，并能更好地适应不同范围内的股票价格。

而对于使用CrossEntropyLoss做分类任务时表现不佳的情况，可能有以下几个原因：

1、类别不平衡：如果股票收益率的分类标签分布不均匀，例如某一类标签样本数量非常少，那么CrossEntropyLoss可能会导致过拟合，导致测试集的loss在经过很细微的下降之后立刻上升。

2、标签的定义问题：如果将股票收益率的标签离散化得不够细致，例如将连续的股票收益率分为很少的几个离散类别，可能会导致信息损失和模型性能下降。

3、特征的选择问题：如果选取的特征不够有效，例如仅仅只选取了过去的股票价格或者简单的技术指标，可能会导致模型的预测能力受限。