Log-Loss (Çapraz Entropi Kaybı)
Logarithmic Loss (Log Loss) · Ayrıca şöyle bilinir: Cross-Entropy Loss, Logloss
Log-loss, tahmin edilen olasılıklar ile gerçek etiketler arasındaki farkı ölçer; emin olunan yanlış tahminleri belirsiz olanlara göre daha fazla cezalandırır. Makine öğrenmesi optimizasyonunda standart bir kayıp fonksiyonudur ve olasılıksal sınıflandırıcı kalibrasyonunu değerlendirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sadece nihai tahminin doğru olup olmadığına değil, tahmin edilen olasılıkların kalitesinin önemli olduğu durumlarda log-loss kullanın. Olasılık tahminlerini aşağı akış kullanımları için optimize etmeniz gerektiğinde (örneğin, eşik seçimi, maliyet-duyarlı sınıflandırma) uygundur. Emin olunan yanlış tahminlerin belirsiz yanlış tahminlerden daha kötü olduğu durumlarda log-loss kullanın.
Güçlü yönler & sınırlılıklar
- Sadece ikili sınıf tahminlerini değil, olasılıksal tahminleri değerlendirir.
- Emin olunan yanlış tahminleri ağır şekilde cezalandırır, kalibre edilmiş olasılıkları teşvik eder.
- Diferansiyellenebilir olması, optimizasyon için bir amaç fonksiyonu olarak uygun olmasını sağlar.
- Derin öğrenme ve olasılıksal modellerde yaygın olarak kullanılır.
- Doğruluk veya F1-skoru gibi olasılık veya oran olarak yorumlanamaz.
- Sınıf dengesizliğine duyarlıdır; nadir sınıf tahminleri kaybı domine edebilir.
- Birkaç çok emin olunan yanlış tahminden etkilenebilir.
- Sadece sınıf tahminleri değil, olasılık çıktıları gerektirir.
SSS
Log-loss, doğruluktan nasıl farklıdır?
Doğruluk yalnızca nihai tahminin (0.5'te eşiklendikten sonra) doğru olup olmadığıyla ilgilenir. Log-loss, olasılık tahminlerinin kalitesini değerlendirir. %90 doğruluk ancak zayıf kalibrasyona sahip bir model yüksek log-loss'a sahip olabilir. Log-loss, olasılık kalitesinin daha ayrıntılı bir değerlendirmesini sağlar.
Neden emin olunan yanlış tahminleri daha ağır cezalandırır?
Emin olunan yanlış tahminler, modelin sistematik olarak aşırı emin olduğunu gösterir. Bunlar tehlikelidir çünkü bu olasılıklara dayanan aşağı akış kararları yanıltılacaktır. Muhafazakâr belirsizlik, emin olunan yanlışlıktan tercih edilir. Log-loss, modelleri uygun belirsizliği ifade etmeye teşvik eder.
Farklı veri kümeleri arasındaki log-loss değerlerini doğrudan karşılaştırabilir miyim?
Hayır, log-loss değerleri temel zorluğa (sınıf dengesizliği) ve gerçek olasılık dağılımlarına bağlıdır. Bir veri kümesindeki 0.3 log-loss mükemmel olabilirken, diğerindeki 0.5 de mükemmel olabilir. Log-loss'u yalnızca aynı veri kümesi içinde karşılaştırın veya temel rastgele sınıflandırıcı kaybına göre normalleştirin.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Logarithmic Loss (Log Loss). ScholarGate. https://scholargate.app/tr/model-evaluation/log-loss
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DoğrulukModel değerlendirme↔ karşılaştır
- Brier SkoruModel değerlendirme↔ karşılaştır
- F1-SkoruModel değerlendirme↔ karşılaştır