4.3.4
Log Loss
สรุป
- Log Loss วัดคุณภาพของความน่าจะเป็นที่โมเดลทำนาย
- ลงโทษหนักเมื่อมั่นใจแต่ผิด
- เหมาะเมื่อความน่าจะเป็นถูกใช้ในกระบวนการตัดสินใจ
1. นิยาม #
สำหรับการจำแนกแบบไบนารีที่มีความน่าจะเป็น (\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. ข้อควรระวัง #
- ไวต่อความผิดพลาดที่มั่นใจมาก
- ใช้ร่วมกับ calibration curve และ Brier Score