我为欺诈领域的文档二进制分类准备了几个模型 . 我计算了所有型号的对数损失 . 我认为它主要是测量预测的置信度，并且对数损失应该在[0-1]的范围内 . 我认为，当结果 - 确定课程不足以进行评估时，它是分类中的一项重要措施 . 因此，如果两个模型具有非常接近的acc，召回和精度，但是具有较低的对数损失函数，则应该选择它，因为在决策过程中没有其他参数/度量（例如时间，成本） .
决策树的日志丢失为1.57，对于所有其他模型，它在0-1范围内 . 我如何解释这个分数？
记住日志丢失没有上限是很重要的 . 记录丢失存在于[0，∞）范围内
从Kaggle我们可以找到日志丢失的公式 .
其中yij为1表示正确的类，0表示其他类，pij是为该类指定的概率 .
如果我们看一下平均日志损失超过1的情况，那么当i是真正的类时， log （pij）<-1 . 这意味着该给定类的预测概率将小于 exp （-1）或大约0.368 . 因此，在您的模型仅给出实际类别的概率估计值低于36％的情况下，可以预期会出现大于1的对数丢失 .
我们还可以通过绘制给定各种概率估计的对数损失来看到这一点 .
1 回答
记住日志丢失没有上限是很重要的 . 记录丢失存在于[0，∞）范围内
从Kaggle我们可以找到日志丢失的公式 .
其中yij为1表示正确的类，0表示其他类，pij是为该类指定的概率 .
如果我们看一下平均日志损失超过1的情况，那么当i是真正的类时， log （pij）<-1 . 这意味着该给定类的预测概率将小于 exp （-1）或大约0.368 . 因此，在您的模型仅给出实际类别的概率估计值低于36％的情况下，可以预期会出现大于1的对数丢失 .
我们还可以通过绘制给定各种概率估计的对数损失来看到这一点 .