MCDMProbabilistic Loss Metric
Log-förlust (korsentropiförlust)
Log-förlust mäter skillnaden mellan predikterade sannolikheter och faktiska etiketter, och bestraffar självsäkra felaktiga prediktioner mer än osäkra. Det är en standardförlustfunktion vid optimering inom maskininlärning och utvärderar kalibreringen av probabilistiska klassificerare.
Läs hela metoden
Endast för medlemmar
Logga inLogga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/sv/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.
- NoggrannhetModellutvärdering↔ compare
- BrierpoängModellutvärdering↔ compare
- F1-poängModellutvärdering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →