Log-Loss (Entropia Incrociata)
Il log-loss misura la differenza tra le probabilità predette e le etichette effettive, penalizzando le predizioni errate e sicure più di quelle incerte. È una funzione di perdita standard nell'ottimizzazione del machine learning e valuta la calibrazione dei classificatori probabilistici.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/it/model-evaluation/log-loss
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- AccuratezzaValutazione dei modelli↔ confronta
- Punteggio di BrierValutazione dei modelli↔ confronta
- Punteggio F1Valutazione dei modelli↔ confronta
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →