Logarithmischer Verlust
Definition
Logarithmischer Verlust bewertet probabilistische Klassifikationen und bestraft selbstsichere falsche Vorhersagen stark.
Für binäre Klassifikation entspricht Log Loss der negativen Log-Likelihood des Bernoulli-/logistischen Modells; Multiclass-Varianten nutzen Cross-Entropy über Klassenwahrscheinlichkeiten.
Einfach erklärt
Wie falsche Antworten besonders stark zu bestrafen, wenn das Modell sehr sicher war.
Warum das im Alltag wichtig ist
Relevant für Klassifikation, probabilistische Modelle und Kalibrierung.
Beispiel aus dem Mittelstand
Zwei Klassifikatoren mit gleicher Accuracy unterscheiden sich im Log Loss, weil einer bei Fehlern deutlich selbstsicherer ist.
Grenzen und Fallstricke
- Nur Accuracy betrachten; Wahrscheinlichkeiten unkalibriert interpretieren; numerische Null-/Eins-Werte ungeclippt loggen.
Entstehung & Geschichte
Log Loss folgt direkt aus Maximum-Likelihood-Training probabilistischer Klassifikationsmodelle.
Anwendung im Mittelstand
- Mögliche Anwendung im Mittelstand: Probabilistische Klassifikatoren mit Accuracy und Kalibrierungsmetriken gemeinsam bewerten.
Häufige Fragen
Ist niedriger Log Loss besser?
Ja. Ist Log Loss dasselbe wie Accuracy? Nein.
Quellen
- log_loss · scikit-learn, log_loss
Quellen geprüft am 10.10.2026.
Redaktionell geprüft am: