dask_ml.metrics.log_loss

dask_ml.metrics.log_loss

dask_ml.metrics.log_loss(y_true, y_pred, eps=1e-15, normalize=True, sample_weight=None, labels=None)[源代码]

对数损失,又称逻辑损失或交叉熵损失。

这是在(多项式)逻辑回归及其扩展如神经网络中使用的损失函数,定义为返回训练数据 y_truey_pred 概率的逻辑模型的负对数似然。对数损失仅定义为两个或更多标签。对于一个真实标签为 \(y \in \{0,1\}\) 且概率估计为 \(p = \operatorname{Pr}(y = 1)\) 的单个样本,对数损失为:

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

用户指南 中了解更多。

参数
y_true类似数组或标签指示矩阵

n_samples 样本的地面真值(正确)标签。

y_pred类似数组的浮点数,形状为 (n_samples, n_classes) 或 (n_samples,)

预测的概率,由分类器的 predict_proba 方法返回。如果 y_pred.shape = (n_samples,),则提供的概率被假定为正类的概率。y_pred 中的标签假定为按字母顺序排列,如 LabelBinarizer 所做的那样。

y_pred 的值被裁剪到 [eps, 1-eps] 范围内,其中 epsy_pred 数据类型的机器精度。

规范化bool, 默认=True

如果为真,返回每个样本的平均损失。否则,返回每个样本损失的总和。

sample_weight类似数组的形状 (n_samples,),默认=None

样本权重。

标签类似数组,默认=None

如果没有提供,标签将从 y_true 中推断。如果 labelsNone 并且 y_pred 的形状是 (n_samples,),则假设标签是二元的,并从 y_true 中推断。

0.18 新版功能.

返回
损失浮动

对数损失,又称逻辑损失或交叉熵损失。

注释

所使用的对数是自然对数(以e为底)。

参考文献

C.M. Bishop (2006). 模式识别与机器学习。Springer, p. 209.

示例

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