log_loss

sklearn.metrics.log_loss(y_true, y_pred, *, normalize=True, sample_weight=None, labels=None)[source]

Функция потерь логарифмической ошибки, также известная как логистическая потеря или потеря кросс-энтропии.

Это функция потерь, используемая в (многоклассовой) логистической регрессии и её расширениях, таких как нейронные сети, определённая как отрицательный логарифм правдоподобия логистической модели, которая возвращает y_pred вероятности для своих обучающих данных y_true. Функция логарифмической ошибки определена только для двух или более меток. Для одного образца с истинным значением метки \(y \in \{0,1\}\) и оценкой вероятности \(p = \operatorname{Pr}(y = 1)\), логарифмическая потеря равна:

\[L_{\log}(y, p) = -(y \log (p) + (1 - y) \log (1 - p))\]

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueмассив-подобный объект или матрица индикаторов меток

Истинные (правильные) метки для n_samples образцов.

y_predмассив-подобный объект с плавающей запятой, форма = (n_samples, n_classes) или (n_samples,)

Предсказанные вероятности, как возвращается методом predict_proba классификатора. Если y_pred.shape = (n_samples,) предоставленные вероятности предполагаются вероятностью положительного класса. Метки в y_pred предполагаются упорядоченными по алфавиту, как и в LabelBinarizer.

y_pred значения обрезаются до [eps, 1-eps] где eps — машинная точность для типа данных y_pred.

normalizebool, по умолчанию=True

Если True, возвращает среднее значение потерь на образец. В противном случае возвращает сумму потерь на образец.

sample_weightмассив-подобный объект формы (n_samples,), по умолчанию=None

Веса образцов.

labelsмассив-подобный объект, по умолчанию=None

Если не указано, метки будут определены из y_true. Если labels равно None и y_pred имеет форму (n_samples,), метки предполагаются бинарными и определяются из y_true.

Добавлена в версии 0.18.

Возвращает:

lossfloat

Логарифмическая потеря, также известная как логистическая потеря или потеря кросс-энтропии.

Примечания

Используется натуральный логарифм (по основанию е).

Ссылки

C.M. Bishop (2006). Распознавание образов и обучение машин. Springer, с. 209.

Примеры

>>> from sklearn.metrics import log_loss
>>> log_loss(["spam", "ham", "ham", "spam"],
...          [[.1, .9], [.9, .1], [.8, .2], [.35, .65]])
0.21616...

Примеры галереи

Кривые калибровки вероятности

Калибровка вероятности для классификации с 3 классами

Gradient Boosting Out-of-Bag оценки

Регуляризация Gradient Boosting

Вероятностные прогнозы с классификацией Гауссовой функции (GPC)

Важность масштабирования признаков