关于随机森林，OOB 和 Logloss 误差有什么区别？
With relation to Random Forests, what is the difference between OOB and Logloss error?
它们都是成本函数吗？就像在评估错误时，您会同时考虑两者还是它们真的是单独的措施？对 logloss 错误感到困惑，很难找到相关信息。
假设你已经在一些火车数据上训练了一些分类器，xtr, ytr，你已经获得了一些合适的分类器 m。现在对于一些 x, y，你采用分类器的结果 ŷ = ŷm(x)。
log loss 是一个接受 y 和 ŷ 的函数，并输出分类器的好坏程度对数据做了。
OOB (out of bag) 只是意味着你 而不是 采取 xtr, ytr，你用来训练的数据集，作为x，y，你用来评估性能的数据集。相反，它意味着 x, y 是 xte, yte，您在训练中遗漏的一些数据集（可能专门用于此目的）。
这两个概念是正交的，因此：
有一个拟合分类器和一个OOB数据集，你可以使用或不使用对数损失。
您可以在 OOB 数据集或原始训练数据集上测量对数损失（但在后一种情况下，您应该非常小心地解释结果 - 这是一个糟糕的估计器预测器的实际工作情况）。
它们都是成本函数吗？就像在评估错误时，您会同时考虑两者还是它们真的是单独的措施？对 logloss 错误感到困惑，很难找到相关信息。
假设你已经在一些火车数据上训练了一些分类器，xtr, ytr，你已经获得了一些合适的分类器 m。现在对于一些 x, y，你采用分类器的结果 ŷ = ŷm(x)。
log loss 是一个接受 y 和 ŷ 的函数，并输出分类器的好坏程度对数据做了。
OOB (out of bag) 只是意味着你 而不是 采取 xtr, ytr，你用来训练的数据集，作为x，y，你用来评估性能的数据集。相反，它意味着 x, y 是 xte, yte，您在训练中遗漏的一些数据集（可能专门用于此目的）。
这两个概念是正交的，因此：
有一个拟合分类器和一个OOB数据集，你可以使用或不使用对数损失。
您可以在 OOB 数据集或原始训练数据集上测量对数损失（但在后一种情况下，您应该非常小心地解释结果 - 这是一个糟糕的估计器预测器的实际工作情况）。