Log-loss

释义 Definition（中文）

log-loss（对数损失）：机器学习与统计中常用的概率型预测误差度量，主要用于分类任务（尤其是二分类与多分类）。它衡量模型给“真实类别”分配的概率有多接近 1；真实类别概率越低，惩罚越大。常见形式等同于（平均）负对数似然或与交叉熵损失密切相关。
（注：在不同语境下也常被称为 logarithmic loss / negative log-likelihood。）

发音 Pronunciation（IPA）

/ˈlɔːɡ lɔːs/（美式常见）
/ˈlɒɡ lɒs/（英式常见）

词源 Etymology（中文）

由 log（logarithm，“对数”）+ loss（“损失/误差”）构成。其命名来自损失函数中使用对数来度量预测概率：当模型把真实类别的概率预测得很小，对数会使损失迅速变大，从而强烈惩罚“自信但错误”的预测。

例句 Examples（EN & 中文）

The model’s log-loss dropped after we added more training data.
加入更多训练数据后，模型的对数损失下降了。

Even though accuracy stayed similar, the log-loss increased because the model became overconfident on wrong predictions.
尽管准确率差不多，对数损失却上升了，因为模型在错误预测上变得过于自信。

相关词 Related Words

• Cross-Entropy
• Negative Log-Likelihood
• Likelihood
• Entropy
• Softmax
• Calibration
• Brier Score

文学与典籍 Literary Works（出现或讨论该术语的著作）

• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——讨论分类模型、对数似然与相关损失度量。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——在概率模型与分类章节中讲解负对数似然/交叉熵形式。
• Deep Learning（Goodfellow, Bengio, Courville）——在训练分类网络时系统讨论交叉熵与对数损失。
• Information Theory, Inference, and Learning Algorithms（David J.C. MacKay）——从信息论与编码角度联系对数损失与熵、似然。