Log-verlies (Cross-Entropy Loss)
Log-verlies meet hoe goed de voorspelde waarschijnlijkheden van een classificator overeenkomen met de werkelijke labels, waarbij zelfverzekerde foute voorspellingen zwaarder worden bestraft dan onzekere. Het is een standaard verliesfunctie in machine learning optimalisatie en evalueert de kalibratie van probabilistische classificatoren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/nl/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.
- NauwkeurigheidModelevaluatie↔ compare
- Brier ScoreModelevaluatie↔ compare
- F1-scoreModelevaluatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →