Perte logarithmique (Entropie croisée)
La perte logarithmique mesure la différence entre les probabilités prédites et les étiquettes réelles, pénalisant davantage les prédictions erronées et confiantes que les incertaines. C'est une fonction de perte standard dans l'optimisation en apprentissage automatique et elle évalue l'étalonnage des classificateurs probabilistes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/fr/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.
- ExactitudeÉvaluation de modèles↔ compare
- Score de BrierÉvaluation de modèles↔ compare
- Score F1Évaluation de modèles↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →