Log Loss — наиболее важная метрика классификации, основанная на вероятностях. Логарифмическая (логарифмическая) потеря измеряет производительность модели классификации, где входные данные для прогнозирования представляют собой значение вероятности от 0 до 1. Целью нашей модели машинного обучения является минимизация этого значения. Чтобы модель была идеальной, ее логарифмические потери должны быть равны нулю. Значение логарифмических потерь увеличивается, когда прогнозируемая..

В последние 2 года я начал читать статьи, описывающие алгоритмы машинного обучения. Когда дело доходит до уравнения целевой функции, я смотрел на логарифмическую функцию и задавался вопросом, почему она должна быть логарифмической, а не чем-то другим, или просто наивным определением расстояния внутри логарифма. Когда я взял в руки книгу Стивена Скиены «Руководство по проектированию данных», я внезапно осознал приведенные ниже причины и очень ценю интуицию, отраженную в книге при разработке..