我为欺诈领域的文档二进制分类准备了几个模型。我计算了所有模型的对数损失。我认为它本质上是在测量预测的置信度，并且 log loss 应该在 [0-1] 的范围内。我相信当结果 - 确定类别不足以用于评估目的时，这是分类中的一项重要措施。因此，如果两个模型的 acc、recall 和precision 非常接近，但一个模型的对数损失函数较低，则应该选择它，因为在决策过程中没有其他参数/指标（例如时间、成本）。
决策树的 log loss 为 1.57，对于所有其他模型，它在 0-1 范围内。我如何解释这个分数？
重要的是要记住日志损失没有上限。对数损失存在于 [0, ∞) 范围内
从Kaggle中，我们可以找到 log loss 的公式。
其中y ij对于正确的类别为 1，对于其他类别为 0，而p ij是分配给该类别的概率。
如果我们看一下平均 log loss 超过 1 的情况，那么当log ( p ij ) < -1 时，i是真正的类。这意味着该给定类的预测概率将小于exp (-1) 或大约 0.368。因此，如果您的模型对实际类别的概率估计值低于 36%，则可以预期会看到大于 1 的对数损失。
我们也可以通过绘制给定各种概率估计的对数损失来看到这一点。
