A log loss (logaritmikus veszteség) azt méri, mennyire egyeznek egy osztályozási modell előrejelzett valószínűségei a tényleges kimenetelekkel. A magabiztos, de téves előrejelzéseket különösen erősen bünteti; a nullához közeli érték jól kalibrált előrejelzéseket jelez. Példa: ha egy modell 95%-os elvándorlási valószínűséget ad egy olyan ügyfélre, aki marad, a log loss meredeken nő. Matematikailag megegyezik a bináris keresztentrópiával.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA keresztentrópia az információelmélet mérőszáma, amely azt mutatja meg, mennyire tér el egy előre jelzett valószínűség-eloszlás a tényleges eloszlástól. A gépi tanulásban ez a leggyakoribb veszteségfüggvény az osztályozási feladatokhoz, valamint a következő tokent megjósoló nyelvi modellekhez. Különösen erősen bünteti a magabiztos téves előrejelzéseket: ha 99%-ot rendelünk a rossz osztályhoz, az sokkal nagyobb veszteséget ad, mint ha 60%-ot.
A logisztikus regresszió olyan statisztikai módszer, amely két kimenetel egyikének valószínűségét jósolja meg, például „vásárol” vagy „nem vásárol”. Súlyozza a bemeneti jellemzőket, és összegüket egy S alakú függvénnyel 0 és 1 közötti értékké alakítja. Mivel a súlyok könnyen értelmezhetők, széles körben használják hitelminősítésben, orvostudományban és marketingben, gyakran bonyolultabb modellek szilárd alapmérceként.
Az osztályozó olyan modell vagy módszer, amely a bemeneteket több előre meghatározott kategória egyikébe sorolja. A klasszikus változatokat, például a döntési fákat vagy a naiv Bayes-t címkézett példákon tanítják; a nyelvi modellek a kategóriák leírása alapján is képesek szövegeket rendezni. Tipikus felhasználás a spamfelismerés, az ügyfélmegkeresések téma szerinti rendezése és a bizonylatok kategorizálása. A minőséget olyan mérőszámokkal mérik, mint a helyesség, a pontosság és a fedés.
A tévesztési mátrix (confusion matrix) olyan táblázat, amely egy osztályozó előrejelzéseit a tényleges osztályokkal veti össze. Két osztály esetén megmutatja az igaz pozitívokat, a hamis pozitívokat, az igaz negatívokat és a hamis negatívokat. Ebből olyan mérőszámok számíthatók ki, mint a pontosság, a fedés és az F1-érték, és világossá válik, milyen hibák fordulnak elő. Példa: az a spamszűrő, amely sok valódi e-mailt jelöl spamnek, sok hamis pozitívat produkál, ami gyakran költségesebb, mint egy átcsúszott spam.
