Python dask_ml.metrics.log_loss用法及代码示例

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

对数损失，又称逻辑损失或 cross-entropy 损失。

这是(多项)逻辑回归及其扩展(例如神经网络)中使用的损失函数，定义为为其训练数据 y_true 返回 y_pred 概率的逻辑模型的负对数似然。对数损失仅针对两个或多个标签定义。对于具有真实标签 \(y \in \{0,1\}\) 和概率估计 \(p = \operatorname{Pr}(y = 1)\) 的单个样本，对数损失为：

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

在用户指南中阅读更多信息。

参数：

y_true：类似数组或标签指示矩阵: n_samples 个样本的真实(正确)标签。
y_pred：类似浮点数的数组，形状 = (n_samples, n_classes) 或 (n_samples,): 预测概率，由分类器的 predict_proba 方法返回。如果y_pred.shape = (n_samples,) 提供的概率被假定为正类的概率。 y_pred 中的标签假定按字母顺序排列，正如 preprocessing.LabelBinarizer 所做的那样。
eps：浮点数，默认=1e-15: 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，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：形状类似数组 (n_samples,)，默认=None: 样本权重。
labels：类似数组，默认=无: 如果未提供，将从 y_true 推断标签。如果 labels 是 None 并且 y_pred 具有形状 (n_samples,)，则假定标签是二进制的，并且是从 y_true 推断出来的。

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 sklearn.metrics import log_loss
>>> log_loss(["spam", "ham", "ham", "spam"],
...          [[.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dask.org大神的英文原创作品 dask_ml.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。

用法:

参数：

返回：

注意：

参考：

例子：