sklearn metrics.log_loss是正對的得分「neg_log_loss」是負

Question

確保我得到這個權利：如果我們使用sklearn.metrics.log_loss獨立

，即log_loss（y_true，y_pred），它產生了積極的成績 - 分數越小，表現越好。

然而，如果我們使用'neg_log_loss'作爲一個得分方案，如「cross_val_score」，得分爲負 - 分數越大，性能越好

這是由於計分方案建造的。要與其他評價方案是一致的。因爲一般來說，越高越好，我們否定通常log_loss要與趨勢相一致，並且正在爲宗旨，使唯一目的。這是理解是否正確？

[背景：metric.log_loss得分爲正，'neg_los_loss'爲負得分，均指相同的文檔頁面。]

Answer 1

sklearn.metrics.log_loss是通常定義的錯誤度量的實現，它與大多數錯誤度量都是正數。在這種情況下，它是通常被最小化的度量（例如，作爲迴歸的均方誤差），與諸如最大化的精度等度量相反。

在「neg_log_loss」是一個，因此一個技術性使創造的效用值，這允許優化sklearn最大化該實用程序的功能和類，而不必改變所述函數的行爲對於每個度量標準（例如包括例如命名cross_val_score， GridSearchCV，RandomizedSearchCV等）。