まとめ
- Το Log Loss αξιολογεί την ποιότητα των πιθανοτήτων πρόβλεψης.
- Τιμωρεί έντονα τις σίγουρες αλλά λάθος προβλέψεις.
- Είναι κατάλληλο όταν οι πιθανότητες χρησιμοποιούνται σε αποφάσεις.
1. Ορισμός #
Για δυαδική ταξινόμηση με πιθανότητα (\hat{p}):
$$ \text{LogLoss} = -\frac{1}{N} \sum_{i=1}^N \left[y_i \log(\hat{p}_i) + (1-y_i)\log(1-\hat{p}_i)\right] $$
2. Πρακτικά σημεία #
- Ευαίσθητο σε λάθος υψηλής βεβαιότητας.
- Συνδύασε με calibration curves και Brier Score.