log loss
Log loss er en tabsfunktion, der måler, hvor godt en klassifikationsmodels forudsagte sandsynligheder passer til de faktiske klasser, med en lavere værdi, der indikerer bedre ydeevne.
Kort fortalt
Log loss straffer modellen for at være usikker eller forkert; jo tættere forudsigelsen er på den rigtige klasse, jo lavere er tabet.
- Kategori
- metrik
- Niveau
- begynder
- Udtale
- /lɒɡ lɒs/
Betydninger
1- 1
En tabsfunktion, der kvantificerer forskellen mellem de forudsagte sandsynligheder og de sande klasseetiketter ved at beregne den negative log-sandsynlighed for den korrekte klasse.
- Modellens log loss på testdataen var 0,42, hvilket indikerer en god kalibrering af sandsynlighederne.
- Ved brug af log loss som tabsfunktion opnåede den logistiske regression en høj nøjagtighed.
Hvornår bruges det
Log loss anvendes typisk som evalueringsmetrik for sandsynlighedsbaserede klassifikationsmodeller, især ved binær og multiklasse-klassifikation. Det bruges også som tabsfunktion under træning af logistisk regression og neurale netværk.
Formel
Log Loss = -1/N * Σ_{i=1}^{N} Σ_{j=1}^{C} y_{ij} * log(p_{ij})Oprindelse
Navnet kommer af kombinationen af 'logaritmisk' (fordi funktionen involverer den naturlige logaritme) og 'loss' (tab), hvilket beskriver, at den beregner et tab baseret på logaritmer af sandsynligheder.
Afledte ord
2Kilder
1- Log Loss — Wikipedia