Log Loss (logarithmischer Verlust) misst, wie gut die vorhergesagten Wahrscheinlichkeiten eines Klassifikationsmodells zu den tatsächlichen Ergebnissen passen. Sichere, aber falsche Vorhersagen werden besonders stark bestraft; ein Wert nahe null bedeutet gut kalibrierte Prognosen. Beispiel: Schätzt ein Modell 95 % Kündigungswahrscheinlichkeit für einen Kunden, der bleibt, steigt der Log Loss deutlich. Mathematisch entspricht er der binären Kreuzentropie.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenDie Kreuzentropie ist ein Maß aus der Informationstheorie, das angibt, wie stark eine vorhergesagte Wahrscheinlichkeitsverteilung von der tatsächlichen abweicht. Im maschinellen Lernen ist sie die gebräuchlichste Verlustfunktion für Klassifikationsaufgaben und auch für Sprachmodelle, die das nächste Token vorhersagen. Sie bestraft besonders falsche Vorhersagen, die mit hoher Sicherheit getroffen werden: Wer einer falschen Klasse 99 % gibt, erhält einen deutlich höheren Verlust als bei 60 %.
Die logistische Regression ist ein statistisches Verfahren, das die Wahrscheinlichkeit für eines von zwei Ergebnissen vorhersagt, etwa „kauft“ oder „kauft nicht“. Sie gewichtet Eingangsmerkmale und wandelt die Summe über eine S-förmige Funktion in einen Wert zwischen 0 und 1 um. Weil die Gewichte gut interpretierbar sind, wird sie häufig in Kreditprüfung, Medizin und Marketing eingesetzt, oft als solide Vergleichsbasis für komplexere Modelle.
Ein Klassifizierer ist ein Modell oder Verfahren, das Eingaben einer von mehreren festgelegten Kategorien zuordnet. Klassische Varianten werden mit beschrifteten Beispielen trainiert, etwa Entscheidungsbäume oder Naive Bayes; Sprachmodelle können Texte auch anhand einer Beschreibung der Kategorien einordnen. Typische Einsätze sind Spam-Erkennung, das Sortieren von Kundenanfragen nach Thema oder die Einstufung von Belegen. Die Qualität wird mit Kennzahlen wie Genauigkeit, Präzision und Recall gemessen.
Eine Konfusionsmatrix ist eine Tabelle, die die Vorhersagen eines Klassifizierers den tatsächlichen Klassen gegenüberstellt. Bei zwei Klassen zeigt sie richtig positive, falsch positive, richtig negative und falsch negative Fälle. Daraus lassen sich Kennzahlen wie Präzision, Recall und F1-Score berechnen und erkennen, welche Fehler auftreten. Beispiel: Ein Spamfilter, der viele echte E-Mails als Spam markiert, hat viele falsch positive Fälle – das ist oft teurer als ein übersehener Spam.
