二元对数损失是否排除了基于 y 的方程的一部分？
Does binary log loss exclude one part of equation based on y?
假设对数损失方程为：
logLoss=−(1/N)*∑_{i=1}^N (yi(log(pi))+(1−yi)log(1−pi))
其中 N 是样本数，yi...yiN 是因变量的实际值，pi...piN 是逻辑回归的预测可能性
我是怎么看的：
if yi = 0 则第一部分 yi(logpi) = 0
或者，如果 yi = 1 那么第二部分 (1−yi)log(1−pi) = 0
所以现在，根据 y 的值，等式的一部分被排除。我理解正确吗？
我的最终目标是了解如何解释对数损失的结果。
是的，您走在正确的轨道上。请记住 p_i=P(y_i=1)，基本上这个想法是损失函数需要以这样一种方式定义，即它惩罚预测与实际标签不匹配的元组（例如，当 y_i=1但 p_i 低，由 yi(logpi) 部分处理，或者当 y_i=0 但 p_i 高，由 (1-yi)log(1-pi) 部分处理）和同时，它不应该过多地惩罚预测与实际标签匹配的元组（例如，当 y_i=1 和 p_i 为高时或 y_i=0 和 p_i 为高时低的）。
logistic regression(cross entropy)的损失函数正好解决了上面想要的属性损失函数，如下图可以看出
假设对数损失方程为：
logLoss=−(1/N)*∑_{i=1}^N (yi(log(pi))+(1−yi)log(1−pi))
其中 N 是样本数，yi...yiN 是因变量的实际值，pi...piN 是逻辑回归的预测可能性
我是怎么看的：
if yi = 0 则第一部分 yi(logpi) = 0
或者，如果 yi = 1 那么第二部分 (1−yi)log(1−pi) = 0
所以现在，根据 y 的值，等式的一部分被排除。我理解正确吗？
我的最终目标是了解如何解释对数损失的结果。
是的，您走在正确的轨道上。请记住 p_i=P(y_i=1)，基本上这个想法是损失函数需要以这样一种方式定义，即它惩罚预测与实际标签不匹配的元组（例如，当 y_i=1但 p_i 低，由 yi(logpi) 部分处理，或者当 y_i=0 但 p_i 高，由 (1-yi)log(1-pi) 部分处理）和同时，它不应该过多地惩罚预测与实际标签匹配的元组（例如，当 y_i=1 和 p_i 为高时或 y_i=0 和 p_i 为高时低的）。
logistic regression(cross entropy)的损失函数正好解决了上面想要的属性损失函数，如下图可以看出