当前位置: 首页>>代码示例 >>用法及示例精选 >>正文

Python cuml.metrics.log_loss用法及代码示例

用法: cuml.metrics.log_loss(y_true, y_pred, eps=1e-15, normalize=True, sample_weight=None) → float

对数损失，又称逻辑损失或 cross-entropy 损失。这是在(多项)逻辑回归及其扩展(例如神经网络)中使用的损失函数，定义为逻辑模型的负 log-likelihood，该模型返回其训练数据的 y_pred 概率 y_true 。日志损失仅针对两个或更多标签定义。

参数：

y_true：array-like，形状 = (n_samples,)
y_pred：array-like 的浮点数，: 形状 = (n_samples, n_classes) 或 (n_samples,)
eps：浮点数: 对于 p=0 或 p=1，对数损失未定义，因此概率被限制为 max(eps, min(1 - eps, p))。
normalize：布尔，可选(默认=真): 如果为真，则返回每个样本的平均损失。否则，返回per-sample 损失的总和。
sample_weight：array-like of shape (n_samples,), default=None: 样本权重。

返回：

loss：浮点数

注意：

使用的对数是自然对数 (base-e)。

参考：

厘米。主教(2006 年)。模式识别和机器学习。斯普林格，第209.

例子：

>>> from cuml.metrics import log_loss
>>> import numpy as np
>>> log_loss(np.array([1, 0, 0, 1]),
...          np.array([[.1, .9], [.9, .1], [.8, .2], [.35, .65]]))
0.21616...

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.metrics.log_loss。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。