Python 3.x sklearn的log_损失提供nan，而tensorflow.loss.log_损失有效

我有一个二进制分类问题。 我正在使用来自

tensorflow.loss.log\u loss

的log\u loss

为了检查，我使用

sklearn.metrics.log\u loss

。大多数情况下，这两个函数给出相同的结果（只是数据类型不同）。在某些情况下，

sklearn

函数返回

NaN

，而

tf.loss.log\u loss

返回正确的值

数据如下：

代码：

---

似乎发生了一些

log（0）

，但是为什么tensorflow没有这个问题呢

将两个数组的数据类型更改为64位浮点可以修复此问题

dtype=np.float64

---

例如，添加

y\u pred=y\u pred.astype（np.float64）

另一种解决问题的方法是为

log\u loss

提供

eps=1e-7

，这是

float32

更合适的epsilon，也是tensorflow使用的。

---

但是，Scikit使用

1e-15

作为默认值（预期为

float64

）。

这看起来像是您在我得到相同结果时偶然发现了一个bug。它看起来像某种形式的溢出，因为获取列表的子部分效果很好，所以它不是一个特定的值。为什么？我也偶然发现了这个问题，但奇怪的是，将我的numpy数组转换为pandas系列的dtype float64解决了这个问题！非常感谢。我使用了scikit learn

permutation\u importance

，因此得到了NaN表示重要性。在记分器中设置eps可解决此问题。：）

dtype=np.float64