آنتروپی متقاطع باینری و آنتروپی متقاطع طبقه‌ای دو تابع از دست دادن هستند که در یادگیری نظارت شده، به ویژه در آموزش شبکه عصبی برای کارهای طبقه‌بندی استفاده می‌شوند.
آنتروپی متقاطع باینری زمانی استفاده می شود که متغیر هدف فقط دو کلاس داشته باشد، مانند درست یا نادرست، یا مثبت یا منفی. در این حالت، مدل برای پیش‌بینی یک احتمال برای هر کلاس آموزش داده می‌شود و زیان بر اساس تفاوت بین احتمالات پیش‌بینی‌شده و کلاس واقعی محاسبه می‌شود.
از سوی دیگر، آنتروپی متقاطع طبقه‌ای زمانی استفاده می شود که متغیر هدف بیش از دو کلاس داشته باشد. در این حالت، مدل برای پیش‌بینی توزیع احتمال در تمام کلاس‌ها آموزش داده می‌شود و زیان بر اساس تفاوت بین توزیع پیش‌بینی‌شده و کلاس واقعی محاسبه می‌شود.
به طور کلی، آنتروپی متقاطع طبقه‌ای یک تابع از دست دادن عمومی‌تر است که می‌تواند برای مسائل طبقه‌بندی چند کلاسه استفاده شود، در حالی که آنتروپی متقاطع باینری یک نسخه تخصصی از آنتروپی متقاطع طبقه‌بندی برای مسائل طبقه‌بندی باینری است.