La log loss (perdita logaritmica) misura quanto le probabilità previste da un modello di classificazione corrispondano ai risultati reali. Le previsioni sicure ma errate vengono penalizzate in modo particolarmente forte; un valore vicino a zero indica previsioni ben calibrate. Esempio: se un modello stima al 95% l’abbandono di un cliente che invece resta, la log loss aumenta nettamente. Dal punto di vista matematico coincide con l’entropia incrociata binaria.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoL'entropia incrociata è una misura della teoria dell'informazione che indica quanto una distribuzione di probabilità prevista si discosta da quella reale. Nel machine learning è la funzione di perdita più usata per i compiti di classificazione e anche per i modelli linguistici che prevedono il token successivo. Penalizza in particolare le previsioni sbagliate fatte con grande sicurezza: assegnare il 99% a una classe errata produce una perdita molto più alta che assegnare il 60%.
La regressione logistica è un metodo statistico che stima la probabilità di uno tra due esiti, ad esempio “acquista” o “non acquista”. Pondera le caratteristiche in ingresso e trasforma la loro somma in un valore tra 0 e 1 tramite una funzione a forma di S. Poiché i pesi sono facilmente interpretabili, è molto usata in valutazione del credito, medicina e marketing, spesso come base di confronto per modelli più complessi.
Un classificatore è un modello o un metodo che assegna un input a una tra diverse categorie predefinite. Le varianti classiche, come gli alberi decisionali o Naive Bayes, vengono addestrate con esempi etichettati; anche i modelli linguistici possono classificare testi sulla base di una descrizione delle categorie. Usi tipici sono il rilevamento dello spam, lo smistamento delle richieste dei clienti per tema e la classificazione di documenti contabili. La qualità si misura con metriche come accuratezza, precisione e recall.
Una matrice di confusione è una tabella che confronta le previsioni di un classificatore con le classi reali. Con due classi mostra veri positivi, falsi positivi, veri negativi e falsi negativi. Da questi valori si calcolano metriche come precisione, recall e F1 score e si capisce quali errori si verificano. Esempio: un filtro antispam che segnala come spam molte e-mail autentiche ha molti falsi positivi, spesso più costosi di uno spam non rilevato.
