როგორია ლოგისტიკური რეგრესიის დანაკარგის ფუნქცია?

ფუნქცია ზარალი ლოგისტიკური რეგრესიისთვის არის ბინარული კროს-ენტროპია (ლოგ ზარალი). იგი ზომავს წინასწარ გამოთვლილი ალბათობებისა და რეალური კლასის ნიშნების სხვაობას.

ობიექტისთვის, რომელსაც აქვს ნიშანი y (0 ან 1) და წინასწარ გამოთვლილი ალბათობა p (კლასის 1 ალბათობა), ზარალის ფუნქცია ასე წერია:

[ L = - \left( y \cdot \log(p) + (1 - y) \cdot \log(1 - p) \right) ]

ეს ფუნქცია სასჯელს აყენებს მოდელს არასწორ წინასწარ გამოთვლებისთვის, განსაკუთრებით თუ მოდელი დარწმუნებულია არასწორ პასუხში.

Python-ში numpy-ის გამოყენებით მაგალითი:

import numpy as np

def log_loss(y_true, y_pred):
    epsilon = 1e-15  # სტაბილურობისთვის
    y_pred = np.clip(y_pred, epsilon, 1 - epsilon)
    return -np.mean(y_true * np.log(y_pred) + (1 - y_true) * np.log(1 - y_pred))