（博主亲自录制视频）

python代码

sklearn.metrics.log_loss(y_true, y_pred, eps=1e-15, normalize=True, sample_weight=None, labels=None)

import numpy as npfrom sklearn.metrics import log_lossvalue=log_loss(["spam", "ham", "ham", "spam"],[[.1, .9], [.9, .1], [.8, .2], [.35, .65]])print("value:",value)def logloss(true_label, predicted_prob):  if true_label == 1:    return -np.log(predicted_prob)  else:    return -np.log(1 - predicted_prob)

　　

（转载）

定义:

−(ylog(p)+(1−y)log(1−p)) -{(y\log(p) + (1 - y)\log(1 - p))}−(ylog(p)+(1−y)log(1−p))

y yy表示样本的真实标签(1或-1)，p pp表示模型预测为正样本的概率。

可视化：

下图展示了lable=1时对数损失值的范围。当预测概率接近1时，对数损失缓慢下降。但随着预测概率的降低，对数损失迅速增加。对数损失对两种类型的错误都会进行处罚，尤其是那些置信度很高的错误预测！

Code:

def logloss(true_label, predicted_prob):

if true_label == 1:

return -log(predicted_prob)

else:

return -log(1 - predicted_prob)

1

2

3

4

5

一个样本集里正样本出现的概率为p，如果我们把每个样本的预测值都置为p，那么logloss是多少呢？

很显然

若p=0.1，logloss=0.325

若p=0.2，logloss=0.500

若p=0.3，logloss=0.611

若p=0.4，logloss=0.673

若p=0.5，logloss=0.693

若p=0.6，logloss=0.673

若p=0.7，logloss=0.611

若p=0.8，logloss=0.500

若p=0.9，logloss=0.325

所以最差的情况就是，正好是一半正样本一半负样本，此时你乱猜出的logloss是0.693。

所以只要loglss是在0.693以上，就说明模型是失败的。

欢迎关注博主主页，学习python视频资源