sklearn metrics.log_loss 是正数，而得分 'neg_log_loss' 是负数

Question

确保我做对了：

如果我们单独使用sklearn.metrics.log_loss，即log_loss(y_true,y_pred)，它会产生一个正分数——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，则得分为负数——得分越大，性能越好。

这是由于评分方案的构建与其他评分方案保持一致。由于通常越高越好，我们否定通常的 log_loss 以与趋势保持一致。这样做完全是为了这个目的。这种理解正确吗？

[背景：metric.log_loss 得分为正，“neg_los_loss”得分为负，两者均参考同一文档页面。]

Answer 1

sklearn.metrics.log_loss 是通常定义的错误度量的实现，与大多数错误度量一样，它是一个正数。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），与最大化的准确度等度量相反。

因此，neg_log_loss 是创建效用值的技术特性，它允许优化 sklearn 的函数和类以最大化该效用，而无需更改每个指标的函数行为（例如包括名为 cross_val_score、@ 987654325@、RandomizedSearchCV 等）。