Logistic Loss

释义 Definition

Logistic loss（逻辑损失/对数损失）：机器学习中常用的损失函数，尤其用于二分类与逻辑回归。它衡量模型预测概率与真实标签之间的差距；预测越接近真实，损失越小。常见形式与交叉熵损失（cross-entropy loss）在二分类场景下密切相关。（不同教材可能在符号与是否写成“负对数似然”上略有差异。）

发音 Pronunciation (IPA)

/ləˈdʒɪstɪk lɔs/

例句 Examples

The model is trained by minimizing logistic loss.
模型通过最小化逻辑损失来进行训练。

In imbalanced classification, logistic loss can be combined with class weights to penalize false negatives more heavily.
在类别不平衡的分类问题中，可以将逻辑损失与类别权重结合使用，从而更重地惩罚假阴性。

词源 Etymology

logistic 原本与“计算、推理”相关，现代数学与统计语境中常与 logistic function（逻辑斯蒂函数/ sigmoid） 关联；loss 来自古英语，表示“损失、失去”。合在一起，logistic loss 指由逻辑函数/逻辑回归框架导出的“损失函数”，常写成对真实标签概率的负对数似然形式。

相关词 Related Words

• Cross-entropy
• Log-loss
• Negative log-likelihood
• Logistic regression
• Sigmoid
• Binary classification
• Softmax
• Hinge loss

文学与著作中的用例 Literary / Notable Works

• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——在分类与对数似然/交叉熵相关章节中讨论与 logistic loss 紧密相关的目标函数。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——在逻辑回归与判别模型部分使用（或等价地推导）logistic loss / cross-entropy。
• Deep Learning（Goodfellow, Bengio, Courville）——在分类损失与交叉熵部分给出与 logistic loss 等价的常用训练目标。