คำอธิบายที่ใช้งานง่ายของ logloss

ในการแข่งขันหลายต่อรองคะแนนอยู่บนพื้นฐานของ "logloss" เรื่องนี้เกี่ยวข้องกับข้อผิดพลาดการจัดหมวดหมู่

นี่คือคำตอบทางเทคนิคแต่ฉันกำลังมองหาคำตอบที่ใช้งานง่าย ฉันชอบคำตอบสำหรับคำถามนี้เกี่ยวกับระยะทาง Mahalanobis แต่ PCA ไม่ใช่ logloss

ฉันสามารถใช้ค่าที่ซอฟต์แวร์การจำแนกประเภทออกมา แต่ฉันไม่เข้าใจจริงๆ ทำไมเราใช้มันแทนที่จะเป็นอัตราบวก / ลบจริง / เท็จ? คุณช่วยฉันได้ไหมเพื่อที่ฉันจะสามารถอธิบายเรื่องนี้กับคุณยายหรือมือใหม่ในสนามได้?

ฉันชอบและเห็นด้วยกับคำพูด:

คุณไม่เข้าใจอะไรจริงๆเว้นแต่คุณจะสามารถอธิบายให้คุณยายของคุณได้
- อัลเบิร์ตไอน์สไตน์

ฉันพยายามตอบคำถามนี้ด้วยตัวเองก่อนโพสต์ที่นี่

ลิงก์ที่ฉันไม่พบว่าใช้งานง่ายหรือมีประโยชน์จริงๆ ได้แก่ :

• http://www.r-bloggers.com/making-sense-of-logarithmic-loss/
• https://www.quora.com/What-is-an-intuitive-explanation-for-the-log-loss-function
• https://lingpipe-blog.com/2010/11/02/evaluating-with-probabilistic-truth-log-loss-vs-0-1-loss/
• https://www.kaggle.com/wiki/LogarithmicLoss

เหล่านี้เป็นข้อมูลและถูกต้อง มีไว้สำหรับผู้ชมด้านเทคนิค พวกเขาไม่ได้วาดภาพอย่างง่ายหรือให้ตัวอย่างที่ง่ายและเข้าถึงได้ พวกเขาไม่ได้เขียนถึงคุณยายของฉัน

Logloss เป็นลอการิทึมของผลิตภัณฑ์ของความน่าจะเป็นทั้งหมด สมมติว่าอลิซคาดการณ์:

• ด้วยความน่าจะเป็น 0.2 จอห์นจะฆ่าแจ็ค
• ด้วยความน่าจะเป็น 0.001 แมรี่จะแต่งงานกับจอห์น
• ด้วยความน่าจะเป็น 0.01 บิลเป็นฆาตกร

ปรากฎว่าแมรี่ไม่ได้แต่งงานกับจอห์นบิลไม่ใช่ฆาตกร แต่จอห์นฆ่าแจ็ค ผลิตภัณฑ์ของความน่าจะเป็นที่อ้างอิงกับ Alice คือ 0.2 * 0.999 * 0.99 = 0.197802

บ๊อบทำนาย:

• ด้วยความน่าจะเป็น 0.5 จอห์นจะฆ่าแจ็ค
• ด้วยความน่าจะเป็น 0.5 แมรี่จะแต่งงานกับจอห์น
• ด้วยความน่าจะเป็น 0.5 บิลเป็นฆาตกร

ผลิตภัณฑ์นี้คือ 0.5 * 0.5 * 0.5 = 0.125

อลิซเป็นผู้ทำนายที่ดีกว่าบ๊อบ