Fatal编程技术网
  • scikit-learn/
  • Scikit learn sklearn metrics.log损失与得分成正比'；负对数损失'；是否定的

Scikit learn sklearn metrics.log损失与得分成正比'；负对数损失'；是否定的

scikit-learn

Scikit learn sklearn metrics.log损失与得分成正比'；负对数损失'；是否定的,scikit-learn,metrics,Scikit Learn,Metrics,确保我做对了这一点： 如果我们使用独立的，即log_loss（y_true，y_pred），它会生成一个正分数——分数越小，性能越好 然而，如果我们使用“cross_val_score”中的评分方案，则分数为负——分数越大，表现越好 这是因为评分方案与其他评分方案是一致的。因为通常情况下，越高越好，我们否定了通常的对数损失以符合趋势。这样做完全是为了这个目的。这种理解正确吗 [背景：metric.log_损失得分为正，而“neg_los_损失”得分为负，两者均参考同一文档页。]sklearn.m

确保我做对了这一点：

如果我们使用独立的，即log_loss（y_true，y_pred），它会生成一个正分数——分数越小，性能越好

然而，如果我们使用“cross_val_score”中的评分方案，则分数为负——分数越大，表现越好

这是因为评分方案与其他评分方案是一致的。因为通常情况下，越高越好，我们否定了通常的对数损失以符合趋势。这样做完全是为了这个目的。这种理解正确吗

[背景：metric.log_损失得分为正，而“neg_los_损失”得分为负，两者均参考同一文档页。]
sklearn.metrics.log_loss
是通常定义的误差度量的一种实现，大多数误差度量都是正数。在这种情况下，它是一种通常最小化的度量（例如回归的均方误差），而不是最大化的精度等度量

因此，
neg_log_loss
是一种创建效用值的技术，它允许优化sklearn函数和类，以最大限度地提高该效用，而无需更改每个度量的函数行为（例如名为
cross\u val\u score
，
GridSearchCV
，
randomizedsarchcv
，等等）。

我想知道同样的事情，所以，
neg\u log\u loss
简单地等于
-log\u loss
？是的，
neg\u log\u loss
简单地等于
-log\u loss
，如它所说的那样：因此，度量模型和数据之间距离的度量[…]返回度量的负值。”