scikit-learn - sklearn metrics.log_loss 是正值 vs. 得分 'neg_log_loss' 是负值

Question

确保我做对了:

如果我们使用 sklearn.metrics.log_loss独立的，即 log_loss(y_true,y_pred)，它产生一个正分数——分数越小，性能越好。

但是，如果我们使用 'neg_log_loss'作为“cross_val_score”中的评分方案，分数为负——分数越大，表现越好。

这是因为评分方案被构建为与其他评分方案一致。由于通常越高越好，我们否定通常的 log_loss 以符合趋势。这样做只是为了这个目的。这种理解是否正确？

[背景:metric.log_loss 的得分为正，'neg_los_loss' 的得分为负，两者均引用同一个文档页面。]

Answer 1

sklearn.metrics.log_loss是通常定义的错误度量的实现，并且与大多数错误度量一样，它是正数。在这种情况下，它是一个通常被最小化的度量(例如作为回归的均方误差)，与诸如精度之类的度量被最大化相反。
neg_log_loss因此是创建效用值的技术，它允许优化 sklearn 的函数和类以最大化该效用，而无需更改每个度量的函数行为(例如包括名为 cross_val_score 、 GridSearchCV 、 RandomizedSearchCV 、和其他)。