Log loss (logaritmická strata) meria, nakoľko dobre predpovedané pravdepodobnosti klasifikačného modelu zodpovedajú skutočným výsledkom. Sebavedomé, ale nesprávne predpovede sa penalizujú obzvlášť prísne; hodnota blízka nule ukazuje dobre kalibrované predpovede. Príklad: ak model dá zákazníkovi, ktorý zostane, 95 % pravdepodobnosť odchodu, log loss prudko vzrastie. Matematicky je to to isté ako binárna krížová entropia.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoKrížová entropia je miera z teórie informácie, ktorá udáva, nakoľko sa predpovedané rozdelenie pravdepodobnosti odchyľuje od skutočného. V strojovom učení je to najbežnejšia stratová funkcia pre úlohy klasifikácie a tiež pre jazykové modely, ktoré predpovedajú nasledujúci token. Obzvlášť prísne penalizuje sebavedomé nesprávne predpovede: priradenie 99 % nesprávnej triede vedie k oveľa vyššej strate než priradenie 60 %.
Logistická regresia je štatistická metóda, ktorá predpovedá pravdepodobnosť jedného z dvoch výsledkov, ako je „kúpi“ alebo „nekúpi“. Váhuje vstupné znaky a ich súčet pomocou funkcie v tvare písmena S prevedie na hodnotu medzi 0 a 1. Keďže váhy sa dajú ľahko interpretovať, široko sa používa v kreditnom skóringu, medicíne a marketingu, často ako solídny základ pre zložitejšie modely.
Klasifikátor je model alebo metóda, ktorá priraďuje vstupy do jednej z viacerých vopred určených kategórií. Klasické varianty, ako sú rozhodovacie stromy alebo naivný Bayes, sa trénujú na označených príkladoch; jazykové modely dokážu texty triediť aj na základe opisu kategórií. Typické použitie zahŕňa detekciu spamu, triedenie dopytov zákazníkov podľa tém a kategorizáciu dokladov. Kvalita sa meria metrikami, ako sú správnosť, presnosť a úplnosť.
Matica zámen (confusion matrix) je tabuľka, ktorá porovnáva predpovede klasifikátora so skutočnými triedami. Pri dvoch triedach ukazuje skutočne pozitívne, falošne pozitívne, skutočne negatívne a falošne negatívne prípady. Z nej možno vypočítať metriky, ako sú presnosť, úplnosť a skóre F1, a je jasné, aké chyby sa vyskytujú. Príklad: filter spamu, ktorý označí veľa skutočných e-mailov ako spam, má veľa falošne pozitívnych výsledkov, čo je často drahšie než prehliadnutá spamová správa.
