MCDMProbabilistic Loss Metric
Log-Loss (ristientropiahäviö)
Log-loss mittaa ennustettujen todennäköisyyksien ja todellisten luokkien välistä eroa, rankaisten luottavaisia vääriä ennusteita enemmän kuin epävarmoja. Se on standardi häviöfunktio koneoppimisen optimoinnissa ja arvioi todennäköisyysluokittelijoiden kalibrointia.
Lue koko menetelmä
Vain jäsenille
Kirjaudu sisäänKirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/fi/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.
- TarkkuusMallien arviointi↔ compare
- Brierin pisteytysMallien arviointi↔ compare
- F1-pisteetMallien arviointi↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →