对数损失#

sklearn.metrics.log_loss(y_true, y_pred, *, normalize=True, sample_weight=None, labels=None)[source]#

对数损失，也称为逻辑损失或交叉熵损失。

这是(多项)逻辑回归及其扩展（如神经网络）中使用的损失函数，定义为返回其训练数据y_true的y_pred概率的逻辑模型的负对数似然。对数损失仅针对两个或多个标签定义。对于具有真实标签\(y \in \{0,1\}\)和概率估计\(p = \operatorname{Pr}(y = 1)\)的单个样本，对数损失为

\[L_{\log}(y, p) = -(y \log (p) + (1 - y) \log (1 - p))\]

在用户指南中了解更多信息。

参数：
y_true类数组或标签指示矩阵

n_samples个样本的真实（正确）标签。

y_pred浮点数类数组，shape = (n_samples, n_classes) 或 (n_samples,)

预测概率，由分类器的predict_proba方法返回。如果y_pred.shape = (n_samples,)，则提供的概率被假定为正类的概率。y_pred中的标签假定按字母顺序排序，如同LabelBinarizer所做的那样。

y_pred值被裁剪到[eps, 1-eps]，其中eps是y_pred的dtype的机器精度。

normalize布尔值，默认为True

如果为真，则返回每个样本的平均损失。否则，返回每个样本损失的总和。

sample_weightshape 为 (n_samples,) 的类数组，默认为 None

样本权重。

labels类数组，默认为 None

如果没有提供，则将从 y_true 推断标签。如果labels为None且y_pred的形状为(n_samples,)，则假定标签为二元，并从y_true推断。

在 0.18 版本中添加。

返回：
loss浮点数

对数损失，也称为逻辑损失或交叉熵损失。

备注

使用的对数是自然对数（以 e 为底）。

参考文献

C.M. Bishop (2006). Pattern Recognition and Machine Learning. Springer, p. 209.

示例

>>> from sklearn.metrics import log_loss
>>> log_loss(["spam", "ham", "ham", "spam"],
...          [[.1, .9], [.9, .1], [.8, .2], [.35, .65]])
0.21616...