Logaritemska izguba (log loss) meri, kako dobro se napovedane verjetnosti klasifikacijskega modela ujemajo z dejanskimi izidi. Samozavestne, a napačne napovedi so kaznovane še posebej močno; vrednost blizu ničle kaže na dobro kalibrirane napovedi. Primer: če model za stranko, ki ostane, poda 95-odstotno verjetnost odhoda, logaritemska izguba močno naraste. Matematično je enaka binarni navzkrižni entropiji.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevNavzkrižna entropija je merilo iz teorije informacij, ki pove, kako zelo se napovedana porazdelitev verjetnosti razlikuje od dejanske. Pri strojnem učenju je najpogostejša funkcija izgube za naloge klasifikacije, pa tudi za jezikovne modele, ki napovedujejo naslednji token. Še posebej močno kaznuje samozavestne napačne napovedi: če napačnemu razredu dodelimo 99 %, je izguba veliko višja kot pri 60 %.
Logistična regresija je statistična metoda, ki napoveduje verjetnost enega od dveh izidov, kot sta „kupi“ ali „ne kupi“. Vhodne značilnosti uteži in njihovo vsoto z S-oblikovano funkcijo pretvori v vrednost med 0 in 1. Ker so uteži lahko razložljive, se pogosto uporablja pri kreditnem točkovanju, v medicini in trženju, pogosto kot trdna izhodiščna osnova za zahtevnejše modele.
Klasifikator je model ali metoda, ki vnose uvrsti v eno od več vnaprej določenih kategorij. Klasične različice, kot so odločitvena drevesa ali naivni Bayes, se učijo na označenih primerih; jezikovni modeli lahko besedila razvrščajo tudi na podlagi opisa kategorij. Tipična uporaba so prepoznavanje neželene pošte, razvrščanje povpraševanj strank po temah in razvrščanje računov. Kakovost se meri z merili, kot so točnost, natančnost in priklic.
Matrika zmot (confusion matrix) je tabela, ki napovedi klasifikatorja primerja z dejanskimi razredi. Pri dveh razredih prikaže resnične pozitivne, lažne pozitivne, resnične negativne in lažne negativne primere. Iz nje je mogoče izračunati merila, kot so natančnost, priklic in ocena F1, jasno pa postane tudi, katere napake se pojavljajo. Primer: filter neželene pošte, ki mnoga prava sporočila označi kot neželena, ima veliko lažnih pozitivnih primerov, kar je pogosto dražje kot zgrešena neželena pošta.
