Binärer Log-Loss

Die Beziehung L=-\frac1N\sum_{j=1}^{N}[y_j\ln(p_j)+(1-y_j)\ln(1-p_j)] fasst Der binäre Log-Loss bewertet probabilistische Vorhersagen für Labels 0 und 1 und bestraft sichere Fehlvorhersagen stark. zusammen. Lies sie als Modell für klar definierte Größen, nicht als automatische Aussage über jede reale Situation. Im Beispiel Für y=1 und p=0,8 ist der Einzelverlust −ln(0,8)≈0,223 nat. Bei p=0,01 steigt er auf −ln(0,01)≈4,605 nat. werden die Symbole mit konkreten Werten verbunden und das Ergebnis wird fachlich interpretiert. Gültigkeitsgrenze: Für jedes Beispiel bleibt bei y=1 der Term −ln(p), bei y=0 der Term −ln(1−p). Deshalb werden falsche, aber sehr sichere Wahrscheinlichkeiten besonders stark bestraft. Wahrscheinlichkeiten müssen numerisch begrenzt werden, um Quelle: scikit-learn API Reference, log_loss.

Schreibe zuerst die gesuchte Größe und alle gegebenen Werte mit ihren Bezeichnungen auf. Setze sie in L=-\frac1N\sum_{j=1}^{N}[y_j\ln(p_j)+(1-y_j)\ln(1-p_j)] ein und prüfe, ob die Einheiten zusammenpassen. Das Beispiel Für y=1 und p=0,8 ist der Einzelverlust −ln(0,8)≈0,223 nat. Bei p=0,01 steigt er auf −ln(0,01)≈4,605 nat. liefert eine Rechenprobe: Werte Formel und Ergebnis müssen dieselbe Größenordnung und Bedeutung ergeben; runde erst am Ende. Gültigkeitsgrenze: Für jedes Beispiel bleibt bei y=1 der Term −ln(p), bei y=0 der Term −ln(1−p). Deshalb werden falsche, aber sehr sichere Wahrscheinlichkeiten besonders stark bestraft. Wahrscheinlichkeiten müssen numerisch begrenzt werden, um Quelle: scikit-learn API Reference, log_loss.

Die Formel gilt nur, wenn die Größen so definiert sind wie in der Quelle und im Hintergrundtext. Prüfe insbesondere Randfälle, Messbedingungen und ob ein Näherungszeichen statt Gleichheit gemeint ist. Ein formal korrektes Einsetzen kann trotzdem fachlich falsch sein, wenn diese Voraussetzungen verletzt werden oder die betrachtete Population beziehungsweise Systemgrenze wechselt. Gültigkeitsgrenze: Für jedes Beispiel bleibt bei y=1 der Term −ln(p), bei y=0 der Term −ln(1−p). Deshalb werden falsche, aber sehr sichere Wahrscheinlichkeiten besonders stark bestraft. Wahrscheinlichkeiten müssen numerisch begrenzt werden, um Quelle: scikit-learn API Reference, log_loss.

Die angegebene Einheit lautet: nat je Beispiel bei ln; dimensionsloser Mittelwert. Vor dem Einsetzen müssen alle Werte auf ein konsistentes Einheitensystem gebracht werden; Anzahlen, Prozentangaben und dimensionslose Verhältnisse sind dabei nicht austauschbar. Die Variablenliste benennt die Rolle jedes Symbols. Einheitenkontrolle erkennt viele Fehler, ersetzt aber nicht die Prüfung, ob die Formelannahmen erfüllt sind. Gültigkeitsgrenze: Für jedes Beispiel bleibt bei y=1 der Term −ln(p), bei y=0 der Term −ln(1−p). Deshalb werden falsche, aber sehr sichere Wahrscheinlichkeiten besonders stark bestraft. Wahrscheinlichkeiten müssen numerisch begrenzt werden, um Quelle: scikit-learn API Reference, log_loss.

Ein Vergleich hilft, wenn beide Größen dieselbe Aufgabe beantworten, aber unterschiedliche Eigenschaften betonen. Berichte Definition, Eingabedaten, Schwelle oder Aggregation zusammen mit dem Zahlenwert. Die Quelle scikit-learn API Reference, log_loss. stützt die hier verwendete Definition; bei anderen Konventionen können Ergebnisse abweichen. Verwende die Kennzahl deshalb passend zum konkreten Lern- oder Analyseziel. Gültigkeitsgrenze: Für jedes Beispiel bleibt bei y=1 der Term −ln(p), bei y=0 der Term −ln(1−p). Deshalb werden falsche, aber sehr sichere Wahrscheinlichkeiten besonders stark bestraft. Wahrscheinlichkeiten müssen numerisch begrenzt werden, um Quelle: scikit-learn API Reference, log_loss.