Log-Loss (Kreuzentropie-Verlust)
Log-Loss misst die Differenz zwischen vorhergesagten Wahrscheinlichkeiten und tatsächlichen Labels und bestraft zuversichtliche falsche Vorhersagen stärker als unsichere. Es ist eine Standard-Verlustfunktion in der Optimierung des maschinellen Lernens und bewertet die Kalibrierung probabilistischer Klassifikatoren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. link ↗
- Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Oxford University Press. DOI: 10.1093/oso/9780198538493.001.0001 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/de/model-evaluation/log-loss
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- GenauigkeitModellevaluation↔ compare
- Brier-ScoreModellevaluation↔ compare
- F1-ScoreModellevaluation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →