Python 逻辑回归-对数损失值

在评估逻辑回归的模型性能时，我被告知使用对数损失度量是正常的，因为我正在评估给定记录的概率为0或1（二元分类）

当我更改输入参数时，Logloss的值通常在0-1范围内变化

在我正在解决的问题的上下文中，我有这行代码

LR = LogisticRegression(C=rangeC[n-1], solver='liblinear').fit(X_train,y_train)

C是正则化强度的倒数，这是一个用于避免对当前数据集过度拟合的参数。在这个问题中，它的值在0.01到0.99之间变化

当我输出Logloss度量时，我得到的值与范围[0-1]太远

在sklearn lib中发生这种情况正常吗？我怎样才能避免呢

编辑：问题已解决。

我忘了提到传递给logloss度量的值

我在做什么

log_loss(ytest, yhat)

Y测试是实际值，Y是集合的预测值

碰巧日志丢失接收到

log_loss(ytest, yhat_proba)

yhat_概率（在逻辑回归的上下文中）是一个二维数组，每个记录的概率类别为0和1

例如：[[0.41 0.59]…[0.6 0.4]]

最后我得到了想要的图表：

---

logloss不限于[0,1]。@BenReiniger logloss在我工作的上下文中限于[0,1]间隔（逻辑回归-二元分类）。即使从图表上我们也可以看出有些事情做得不正确，它应该输出一个对数函数，这是一条曲线。。。