计算分类模型的对数损失。
用法
mn_log_loss(data, ...)
# S3 method for data.frame
mn_log_loss(
data,
truth,
...,
na_rm = TRUE,
sum = FALSE,
event_level = yardstick_event_level(),
case_weights = NULL
)
mn_log_loss_vec(
truth,
estimate,
na_rm = TRUE,
sum = FALSE,
event_level = yardstick_event_level(),
case_weights = NULL,
...
)
参数
- data
-
包含
truth
和...
指定的列的data.frame
。 - ...
-
一组不带引号的列名称或一个或多个
dplyr
选择器函数,用于选择哪些变量包含类概率。如果truth
是二进制,则仅应选择 1 列,并且它应对应于event_level
的值。否则,列的数量应与truth
的因子级别一样多,并且列的顺序应与truth
的因子级别相同。 - truth
-
真实类结果的列标识符(即
factor
)。这应该是一个不带引号的列名,尽管此参数是通过表达式传递的并且支持quasiquotation(您可以不带引号的列名)。对于_vec()
函数,一个factor
向量。 - na_rm
-
logical
值,指示在计算继续之前是否应剥离NA
值。 - sum
-
一个
logical
。是否应该返回似然贡献的总和(而不是平均值)? - event_level
-
单个字符串。
"first"
或"second"
指定将truth
的哪个级别视为"event"。此参数仅适用于estimator = "binary"
。默认使用内部帮助程序,通常默认为"first"
,但是,如果设置了已弃用的全局选项yardstick.event_first
,则将使用该帮助程序并发出警告。 - case_weights
-
案例权重的可选列标识符。这应该是一个不带引号的列名称,其计算结果为
data
中的数字列。对于_vec()
函数,一个数值向量。 - estimate
-
如果
truth
是二进制的,对应于 "relevant" 类的类概率的数值向量。否则,矩阵的列数与因子级别一样多truth
.假设它们的顺序与truth
的级别相同。
值
tibble
包含列 .metric
、 .estimator
和 .estimate
以及 1 行值。
对于分组 DataFrame ,返回的行数将与组数相同。
对于 mn_log_loss_vec()
,单个 numeric
值(或 NA
)。
细节
对数损失是分类模型性能的衡量标准。完美模型的对数损失为 0
。
与 accuracy()
相比,对数损失考虑了预测的不确定性,并更详细地了解实际性能。例如,给定 .6
和 .9
两个输入概率,其中两者都被分类为预测正值,例如 "Yes"
,准确度度量会将它们解释为具有相同的值。如果真实输出是 "Yes"
,则对数损失会惩罚 .6
,因为与 .9
的概率相比,它的结果是 "less sure" 。
也可以看看
其他类概率指标:average_precision()
, brier_class()
, classification_cost()
, gain_capture()
, pr_auc()
, roc_auc()
, roc_aunp()
, roc_aunu()
例子
# Two class
data("two_class_example")
mn_log_loss(two_class_example, truth, Class1)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 mn_log_loss binary 0.328
# Multiclass
library(dplyr)
data(hpc_cv)
# You can use the col1:colN tidyselect syntax
hpc_cv %>%
filter(Resample == "Fold01") %>%
mn_log_loss(obs, VF:L)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 mn_log_loss multiclass 0.734
# Groups are respected
hpc_cv %>%
group_by(Resample) %>%
mn_log_loss(obs, VF:L)
#> # A tibble: 10 × 4
#> Resample .metric .estimator .estimate
#> <chr> <chr> <chr> <dbl>
#> 1 Fold01 mn_log_loss multiclass 0.734
#> 2 Fold02 mn_log_loss multiclass 0.808
#> 3 Fold03 mn_log_loss multiclass 0.705
#> 4 Fold04 mn_log_loss multiclass 0.747
#> 5 Fold05 mn_log_loss multiclass 0.799
#> 6 Fold06 mn_log_loss multiclass 0.766
#> 7 Fold07 mn_log_loss multiclass 0.927
#> 8 Fold08 mn_log_loss multiclass 0.855
#> 9 Fold09 mn_log_loss multiclass 0.861
#> 10 Fold10 mn_log_loss multiclass 0.821
# Vector version
# Supply a matrix of class probabilities
fold1 <- hpc_cv %>%
filter(Resample == "Fold01")
mn_log_loss_vec(
truth = fold1$obs,
matrix(
c(fold1$VF, fold1$F, fold1$M, fold1$L),
ncol = 4
)
)
#> [1] 0.7338423
# Supply `...` with quasiquotation
prob_cols <- levels(two_class_example$truth)
mn_log_loss(two_class_example, truth, Class1)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 mn_log_loss binary 0.328
mn_log_loss(two_class_example, truth, !!prob_cols[1])
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 mn_log_loss binary 0.328
相关用法
- R yardstick mae 平均绝对误差
- R yardstick msd 平均符号偏差
- R yardstick mpe 平均百分比误差
- R yardstick metrics 估计性能的通用函数
- R yardstick metric_set 组合度量函数
- R yardstick mape 平均绝对百分比误差
- R yardstick metric_tweak 调整度量函数
- R yardstick mcc 马修斯相关系数
- R yardstick mase 平均绝对比例误差
- R yardstick pr_auc 查准率曲线下面积
- R yardstick accuracy 准确性
- R yardstick gain_capture 增益捕获
- R yardstick pr_curve 精确率召回曲线
- R yardstick conf_mat 分类数据的混淆矩阵
- R yardstick rpd 性能与偏差之比
- R yardstick detection_prevalence 检测率
- R yardstick bal_accuracy 平衡的精度
- R yardstick rpiq 绩效与四分位间的比率
- R yardstick roc_aunp 使用先验类别分布,每个类别相对于其他类别的 ROC 曲线下面积
- R yardstick roc_curve 接收者算子曲线
- R yardstick rsq R 平方
- R yardstick iic 相关性理想指数
- R yardstick recall 记起
- R yardstick roc_aunu 使用均匀类别分布,每个类别相对于其他类别的 ROC 曲线下面积
- R yardstick npv 阴性预测值
注:本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 Mean log loss for multinomial data。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。