Log loss (logaritmisch verlies) meet hoe goed de voorspelde kansen van een classificatiemodel overeenkomen met de werkelijke uitkomsten. Zelfverzekerde maar foute voorspellingen worden bijzonder zwaar gestraft; een waarde dicht bij nul wijst op goed gekalibreerde voorspellingen. Voorbeeld: als een model een kans van 95% op vertrek geeft voor een klant die blijft, stijgt de log loss sterk. Wiskundig is het hetzelfde als binaire kruisentropie.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenKruisentropie is een maat uit de informatietheorie die aangeeft hoeveel een voorspelde kansverdeling afwijkt van de werkelijke. Bij machine learning is het de meest gebruikte verliesfunctie voor classificatietaken en ook voor taalmodellen die het volgende token voorspellen. Ze straft zelfverzekerde foute voorspellingen bijzonder zwaar: 99% toekennen aan de verkeerde klasse geeft een veel hoger verlies dan 60%.
Logistische regressie is een statistische methode die de kans op een van twee uitkomsten voorspelt, zoals “koopt” of “koopt niet”. Ze weegt de invoerkenmerken en zet hun som met een S-vormige functie om in een waarde tussen 0 en 1. Omdat de gewichten eenvoudig te interpreteren zijn, wordt ze veel gebruikt bij kredietscoring, in de geneeskunde en in marketing, vaak als solide referentiepunt voor complexere modellen.
Een classificeerder is een model of methode die invoer toewijst aan een van meerdere vooraf bepaalde categorieën. Klassieke varianten zoals beslisbomen of naive Bayes worden getraind op gelabelde voorbeelden; taalmodellen kunnen teksten ook sorteren aan de hand van een beschrijving van de categorieën. Typische toepassingen zijn spamdetectie, het sorteren van klantvragen op onderwerp en het categoriseren van bonnen. De kwaliteit wordt gemeten met maten zoals nauwkeurigheid, precisie en recall.
Een confusion matrix is een tabel die de voorspellingen van een classificeerder vergelijkt met de werkelijke klassen. Bij twee klassen toont ze echte positieven, valse positieven, echte negatieven en valse negatieven. Daaruit kunnen maten als precisie, recall en F1-score worden berekend en wordt duidelijk welke fouten optreden. Voorbeeld: een spamfilter dat veel echte e-mails als spam aanmerkt, heeft veel valse positieven, wat vaak duurder is dan een gemist spambericht.
