O log loss (perda logarítmica) mede em que medida as probabilidades previstas por um modelo de classificação correspondem aos resultados reais. As previsões confiantes, mas erradas, são penalizadas de forma especialmente forte; um valor próximo de zero indica previsões bem calibradas. Exemplo: se um modelo atribui 95 % de probabilidade de abandono a um cliente que fica, o log loss sobe acentuadamente. Matematicamente, é o mesmo que a entropia cruzada binária.
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoA entropia cruzada é uma medida da teoria da informação que indica o quanto uma distribuição de probabilidade prevista se desvia da real. No machine learning, é a função de perda mais comum para tarefas de classificação e também para modelos de linguagem que preveem o token seguinte. Penaliza de forma especialmente forte as previsões erradas feitas com confiança: atribuir 99 % à classe errada resulta numa perda muito mais elevada do que atribuir 60 %.
A regressão logística é um método estatístico que prevê a probabilidade de um de dois resultados, como "compra" ou "não compra". Pondera as características de entrada e converte a sua soma num valor entre 0 e 1 através de uma função em forma de S. Como os pesos são fáceis de interpretar, é muito utilizada na avaliação de crédito, na medicina e no marketing, muitas vezes como base sólida para modelos mais complexos.
Um classificador é um modelo ou método que atribui entradas a uma de várias categorias predefinidas. As variantes clássicas, como as árvores de decisão ou o naive Bayes, são treinadas com exemplos etiquetados; os modelos de linguagem também podem ordenar textos com base numa descrição das categorias. As utilizações típicas incluem a deteção de spam, a triagem de pedidos de clientes por tema e a categorização de recibos. A qualidade é medida com métricas como a exatidão, a precisão e a revocação.
Uma matriz de confusão é uma tabela que compara as previsões de um classificador com as classes reais. Para duas classes, mostra os verdadeiros positivos, os falsos positivos, os verdadeiros negativos e os falsos negativos. A partir dela, podem calcular-se métricas como a precisão, a revocação e a pontuação F1, e fica claro que erros ocorrem. Exemplo: um filtro de spam que assinala muitos e-mails legítimos como spam tem muitos falsos positivos, o que muitas vezes é mais dispendioso do que uma mensagem de spam não detetada.
