MCDMProbabilistic Loss Metric
Log-Loss (Gubitak logaritma / Križna entropija)
Log-loss mjeri razliku između predviđenih vjerojatnosti i stvarnih oznaka, kažnjavajući samouvjerene pogrešne predikcije više od nesigurnih. Standardna je funkcija gubitka u optimizaciji strojnog učenja i procjenjuje kalibraciju vjerojatnosnih klasifikatora.
Pročitajte cijelu metodu
Samo za članove
Prijavite sePrijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/hr/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.
- TočnostEvaluacija modela↔ compare
- Brierov rezultatEvaluacija modela↔ compare
- F1-mjeraEvaluacija modela↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →