Log loss (logaritamski gubitak) mjeri koliko se predviđene vjerojatnosti klasifikacijskog modela podudaraju sa stvarnim ishodima. Samouvjerena, ali pogrešna predviđanja kažnjavaju se posebno snažno; vrijednost blizu nule upućuje na dobro kalibrirane prognoze. Primjer: ako model klijentu koji ostaje dodijeli 95 % vjerojatnosti odlaska, log loss naglo raste. Matematički je isto što i binarna unakrsna entropija.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoUnakrsna entropija (cross-entropy) mjera je iz teorije informacija koja pokazuje koliko se predviđena distribucija vjerojatnosti razlikuje od stvarne. U strojnom učenju najčešća je funkcija gubitka za zadatke klasifikacije, kao i za jezične modele koji predviđaju sljedeći token. Posebno snažno kažnjava samouvjerena pogrešna predviđanja: dodjela 99 % pogrešnoj klasi daje mnogo veći gubitak od dodjele 60 %.
Logistička regresija statistička je metoda koja predviđa vjerojatnost jednog od dva ishoda, poput „kupuje” ili „ne kupuje”. Ponderira ulazna obilježja i njihov zbroj pretvara u vrijednost između 0 i 1 pomoću funkcije S-oblika. Budući da se težine lako interpretiraju, naširoko se koristi u kreditnom bodovanju, medicini i marketingu, često kao solidna osnovna linija za složenije modele.
Klasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.
Matrica zabune (confusion matrix) tablica je koja uspoređuje predviđanja klasifikatora sa stvarnim klasama. Za dvije klase prikazuje istinito pozitivne, lažno pozitivne, istinito negativne i lažno negativne slučajeve. Iz toga se mogu izračunati metrike poput preciznosti, odziva i F1 mjere te postaje jasno koje se pogreške javljaju. Primjer: filtar za spam koji mnoge prave e-poruke označi kao spam ima mnogo lažno pozitivnih, što je često skuplje od propuštene spam poruke.
