MCDMProbabilistic Loss Metric
Log-Loss (entropia krzyżowa)
Log-loss mierzy różnicę między przewidywanymi prawdopodobieństwami a rzeczywistymi etykietami, karząc pewne błędne predykcje bardziej niż niepewne. Jest to standardowa funkcja straty w optymalizacji uczenia maszynowego i ocenia kalibrację klasyfikatorów probabilistycznych.
Przeczytaj pełny opis metody
Tylko dla członków
Zaloguj sięZaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/pl/model-evaluation/log-loss
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Dokładność (Accuracy)Ocena modeli↔ porównaj
- Wynik Brier (Brier Score)Ocena modeli↔ porównaj
- Wynik F1Ocena modeli↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →