AITerms 登入
機器學習深度學習模型訓練

對數損失(Log Loss)是什麼?

對數損失(Log Loss)是交叉熵損失在二元分類問題中的特殊形式,衡量模型預測機率與真實標籤之間的差異,數值越小代表模型表現越好。

完整定義

對數損失(Log Loss),也稱為對數似然損失或交叉熵損失(Cross-entropy loss),是衡量分類模型預測結果的準確性的一種指標。它特別適用於輸出機率值的模型,例如邏輯迴歸。對數損失衡量的是模型預測的機率分佈與真實標籤之間的差異。損失值越小,表示模型的預測結果越接近真實情況。

白話說明

你有沒有看過分類模型明明答對了方向,卻很自信地答錯?

你可以把對數損失想成,模型答錯還答很滿時會被重罰的分數。

它其實就是看預測機率和真實標籤差多遠的損失函數。

在二元分類和機率預測裡,它很常用來管模型有沒有亂自信。

記住這句

答錯還很自信,分數會掉很慘。

比喻:對數損失就像「射擊比賽的扣分標準」-- 當你射中靶心(真實標籤)時幾乎不扣分,但如果你射偏得很遠(預測機率與真實值差很大),扣分會非常重,而且越偏離,扣分懲罰會呈指數級增加。

容易混淆

對數損失 vs 交叉熵損失

兩者在很多分類問題裡幾乎是同一套思路。

實務上常因情境不同而交換使用。

對數損失 vs 準確率

準確率只看對錯,對數損失還會看你有多自信。

一個看答案有沒有對,一個看你答題的態度。

最關鍵的區別: 準確率看對錯,對數損失看機率品質。

實際案例

垃圾郵件分類

模型如果把垃圾信判成正常信,還給出 99% 把握,對數損失會重罰這種錯法。

醫療風險預測

醫療模型如果對高風險病人很肯定卻判錯,對數損失能提醒你別只看對錯,還要看信心。

演算法與應用

它會對真實類別的預測機率取對數,再把錯誤的自信程度放大懲罰。

預測越接近真實答案,損失越小;越自信地答錯,損失越大。

這讓模型在訓練時不只追求答對,還會追求機率校準。

情境判斷

Q1(直覺題): 模型把正類判成 0.99,結果其實是負類,這種錯誤會被怎麼看?

會被重罰,因為它不只錯,還錯得很自信。

Q2(判斷題): 如果一個分類器準確率很高,對數損失就一定很好嗎?

不一定,因為它可能只是猜對很多,但對錯誤案例非常自信。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本