BOP.INK
AI & Machine LearningML MetricsML Loss Function🔒 Bảo Mật & Riêng Tư • Miễn Phí Không Giới Hạn

Tính Log Loss / Binary Cross Entropy

Tính giá trị mất mát Binary Cross Entropy giữa nhãn thực tế (0 hoặc 1) và xác suất dự đoán của mô hình phân loại.

Phụ thuộc dữ liệu thay đổi hoặc có điều kiện chưa có bằng chứng canonical hiện hành; không dùng kết quả cho quyết định quan trọng.

Đang khởi tạo tiện ích trực tiếp trên trình duyệt...

Kết quả chỉ dùng để tham khảo

Phụ thuộc dữ liệu thay đổi hoặc có điều kiện chưa có bằng chứng canonical hiện hành; không dùng kết quả cho quyết định quan trọng.

Tham khảo có giới hạn

Phụ thuộc dữ liệu thay đổi hoặc có điều kiện chưa có bằng chứng canonical hiện hành; không dùng kết quả cho quyết định quan trọng.

Dữ kiện thực tế công cụ sử dụng:Log Loss = -1/N * Tổng[y*ln(p) + (1-y)*ln(1-p)], với y là nhãn thực tế {0, 1} và p là xác suất dự đoán cho lớp 1.

Văn Bản / Nguồn Căn Cứ Đối Chiếu (1)

Logarithmic Loss / Binary Cross-Entropy Formulation
Số hiệu: SKLEARN-METRICS-BCE
Cơ quan ban hành: Scikit-Learn Machine Learning Consortium
Có hiệu lực từ: 2024-01-01
Xem văn bản chính thức
Lưu ý & Miễn trừ trách nhiệm: Để tránh lỗi toán học chia cho 0 hoặc logarit của 0, các xác suất dự đoán cực hạn được giới hạn (clipped) tự động trong khoảng [1e-15, 1 - 1e-15].

Cách Sử Dụng Tính Log Loss / Binary Cross Entropy Trong 3 Bước

Các bước thao tác đơn giản và chuẩn xác nhất

1

Nhập Thông Tin Đầu Vào

Điền các dữ liệu hoặc thông số cần thiết theo biểu mẫu trên màn hình.

2

Hệ Thống Xử Lý Tức Thì

Toàn bộ phép tính và tác vụ được thực thi 100% trên thiết bị người dùng trong mili-giây.

3

Xem & Áp Dụng Kết Quả

Sao chép, tải về hoặc sử dụng kết quả chuẩn xác ngay lập tức.

Cơ Chế & Cơ Sở Xử Lý Của Tính Log Loss / Binary Cross Entropy

Minh bạch công thức và phương pháp tính toán chuẩn

Thực thi hoàn toàn trong bộ nhớ trình duyệt client-side, bảo mật tuyệt đối không lưu trữ thông tin.

Thành PhầnMôi Trường Thực ThiBảo Mật Dữ Liệu
Đầu vàoClient-side (Browser)Không gửi lên server
Kết quảThời gian thực (Realtime)An toàn 100%

Câu Hỏi Thường Gặp (FAQs)

Giải đáp các thắc mắc phổ biến về tiện ích này

Vì hàm logarit tiến dần về âm vô cùng khi xác suất p tiến về 0 đối với nhãn 1 (hoặc p tiến về 1 đối với nhãn 0), khiến mất mát tăng theo cấp số nhân.
Tài trợ
BOP Studio
studio.bop.ink
Trang chủUpload