Логаритмичната загуба (log loss) измерва доколко добре прогнозираните вероятности на класификационен модел съответстват на действителните резултати. Уверените, но грешни прогнози се наказват особено силно; стойност, близка до нула, показва добре калибрирани прогнози. Пример: ако моделът даде 95% вероятност за отпадане на клиент, който остава, логаритмичната загуба рязко нараства. Математически тя е същата като бинарната кръстосана ентропия.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоКръстосаната ентропия (cross-entropy) е мярка от теорията на информацията, която показва доколко прогнозираното вероятностно разпределение се отклонява от действителното. В машинното обучение тя е най-разпространената функция на загубата за задачи за класификация, а също и за езикови модели, които предвиждат следващия токен. Тя наказва особено силно уверените грешни прогнози: приписването на 99% на грешния клас води до много по-висока загуба, отколкото приписването на 60%.
Логистичната регресия е статистически метод, който прогнозира вероятността за един от два резултата, като „купува“ или „не купува“. Тя претегля входните признаци и превръща сбора им в стойност между 0 и 1 чрез S-образна функция. Тъй като теглата се тълкуват лесно, методът се използва широко в кредитното оценяване, медицината и маркетинга, често като солидна базова линия за по-сложни модели.
Класификаторът е модел или метод, който отнася входните данни към една от няколко предварително определени категории. Класическите варианти като дърветата на решенията или наивния Байес се обучават върху анотирани примери; езиковите модели могат да сортират текстове и въз основа на описание на категориите. Типични приложения са откриването на спам, сортирането на запитвания на клиенти по теми и категоризирането на разписки. Качеството се измерва с метрики като точност, прецизност и обхват.
Матрицата на неточностите (confusion matrix) е таблица, която сравнява прогнозите на класификатор с действителните класове. При два класа тя показва истинно положителните, фалшиво положителните, истинно отрицателните и фалшиво отрицателните случаи. От нея могат да се изчисляват метрики като прецизност, обхват и F1 стойност и става ясно какви грешки се допускат. Пример: спам филтър, който отбелязва много истински имейли като спам, има много фалшиво положителни случаи, което често е по-скъпо от пропуснато спам съобщение.
