Machine learning 是损失函数='；多类'；在catboost中，如果我正在处理多分类问题，是否与日志丢失相同？

我正在使用catboost制作一个多类预测模型，最终的解决方案应该具有最小的Logloss错误，但在catboost中不存在Logloss，它们有一个称为“多类”的函数作为损失函数。它们都一样吗？如果不是，那么如何根据Logloss来衡量catboost模型的准确性？

Log loss不是一个损失函数，而是一个衡量分类模型性能的指标，其中预测的概率值介于0和1之间。

---

了解更多信息。

日志损失不是损失函数，而是衡量分类模型性能的指标，其中预测值为0到1之间的概率值。

---

了解更多信息。

它们都一样吗？实际上，是的

catboost文档中的“多类”损失通常被认为是多项式/多类交叉熵损失。也就是说，有效地，将对数Softmax应用于分类器输出“a”以产生可解释为概率的值，然后应用负对数似然损失（NLLLoss），&

他们对“LogLoss”的记录也是NLLLoss，但适用于“p”。他们将其描述为将sigmoid fn应用于分类器输出的结果。由于NLLLoss针对二进制问题进行了修改，因此仅计算单个类的概率，每个类使用“p”和“1-p”。在这种特殊（二进制）情况下，sigmoid和softmax的使用是等效的

如何根据Logloss测量catboost模型的性能

他们需要根据给定的数据生成所需的度量

小心不要将损失/目标函数“损失函数”与评估度量“评估度量”混淆，但是在这种情况下，相同的函数可用于两者

---

希望这有帮助

它们都一样吗？实际上，是的

catboost文档中的“多类”损失通常被认为是多项式/多类交叉熵损失。也就是说，有效地，将对数Softmax应用于分类器输出“a”以产生可解释为概率的值，然后应用负对数似然损失（NLLLoss），&

他们对“LogLoss”的记录也是NLLLoss，但适用于“p”。他们将其描述为将sigmoid fn应用于分类器输出的结果。由于NLLLoss针对二进制问题进行了修改，因此仅计算单个类的概率，每个类使用“p”和“1-p”。在这种特殊（二进制）情况下，sigmoid和softmax的使用是等效的

如何根据Logloss测量catboost模型的性能

他们需要根据给定的数据生成所需的度量

小心不要将损失/目标函数“损失函数”与评估度量“评估度量”混淆，但是在这种情况下，相同的函数可用于两者

---

希望这有帮助

好的，但是你知道loss='Multiclass'是什么吗？好的，但是你知道loss='Multiclass'是什么吗？谢谢你的详细解释@OP请考虑选择这个作为答案！感谢您的详细解释，这很有帮助@OP请考虑选择这个作为答案！