sklearn metrics.log_loss là dương so với điểm 'neg_log_loss' là tiêu cực

Question

Đảm bảo Tôi nhận được quyền này:

Nếu chúng ta sử dụng sklearn.metrics.log_loss độc lập, tức là log_loss (y_true, y_pred), nó tạo ra một số điểm tích cực - số điểm càng nhỏ, hiệu suất càng tốt.

Tuy nhiên, nếu chúng ta sử dụng 'neg_log_loss' như một bảng chấm điểm như trong 'cross_val_score", tỷ số là tiêu cực - số điểm càng lớn, càng có hiệu suất

Và điều này là do các chương trình chấm điểm được xây dựng. để phù hợp với chương trình chấm điểm khác. Kể từ nói chung, càng cao càng tốt, chúng ta phủ nhận thông thường là log_loss để phù hợp với xu hướng. Và nó được làm như vậy chỉ duy nhất cho mục đích đó. sự hiểu biết này có đúng không?

[ Bối cảnh: có điểm số dương cho metric.log_loss và điểm số âm cho 'neg_los_loss' và cả hai đều tham chiếu đến cùng trang tài liệu.]

Answer 1

Sklearn.metrics.log_loss là việc triển khai chỉ số lỗi như thường được xác định và hầu như chỉ số lỗi là số dương. Trong trường hợp này, nó là số liệu thường được giảm thiểu (ví dụ như lỗi bình phương bình phương cho hồi quy), trái ngược với các số liệu như độ chính xác được tối đa hóa.

'neg_log_loss' là một kỹ thuật để tạo ra giá trị tiện ích, cho phép tối ưu hóa các hàm và lớp học của sklearn để tối đa hóa tiện ích này mà không phải thay đổi hành vi của hàm cho từng số liệu (chẳng hạn, ví dụ: cross_val_score, GridSearchCV, RandomizedSearchCV và các thứ khác).