Python sklearn log_loss用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.log_loss 的用法。

用法:

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

對數損失，又稱邏輯損失或 cross-entropy 損失。

這是(多項)邏輯回歸及其擴展(例如神經網絡)中使用的損失函數，定義為為其訓練數據 y_true 返回 y_pred 概率的邏輯模型的負對數似然。對數損失僅針對兩個或多個標簽定義。對於具有真實標簽 \(y \in \{0,1\}\) 和概率估計 \(p = \operatorname{Pr}(y = 1)\) 的單個樣本，對數損失為：

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

在用戶指南中閱讀更多信息。

參數：

y_true：類似數組或標簽指示矩陣

n_samples 個樣本的真實(正確)標簽。

y_pred：類似浮點數的數組，形狀 = (n_samples, n_classes) 或 (n_samples,)

預測概率，由分類器的 predict_proba 方法返回。如果y_pred.shape = (n_samples,) 提供的概率被假定為正類的概率。 y_pred 中的標簽假定按字母順序排列，正如 preprocessing.LabelBinarizer 所做的那樣。

eps：浮點數，默認=1e-15

對於 p=0 或 p=1，對數損失未定義，因此概率被限製為 max(eps, min(1 - eps, p))。

normalize：布爾，默認=真

如果為真，則返回每個樣本的平均損失。否則，返回per-sample 損失的總和。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

labels：類似數組，默認=無

如果未提供，將從 y_true 推斷標簽。如果 labels 是 None 並且 y_pred 具有形狀 (n_samples,)，則假定標簽是二進製的，並且是從 y_true 推斷出來的。

返回：

loss：浮點數

注意：

使用的對數是自然對數 (base-e)。

參考：

厘米。主教(2006 年)。模式識別和機器學習。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...