sklearn metrics.log_loss 是正面的，而 scoring 'neg_log_loss' 是负面的
sklearn metrics.log_loss is positive vs. scoring 'neg_log_loss' is negative
确保我做对了：
如果我们单独使用 sklearn.metrics.log_loss，即 log_loss(y_true,y_pred)，它会产生一个正分数——分数越小，效果越好性能。
但是，如果我们使用 'neg_log_loss' 作为评分方案，如“cross_val_score”，则得分为负 - 得分越大，性能越好。
这是因为评分方案与其他评分方案保持一致。由于一般来说越高越好，我们否定通常的log_loss以符合趋势。这样做完全是为了这个目的。这个理解对吗？
[背景：metric.log_loss 得到正面分数，'neg_los_loss' 得到负面分数，并且两者都引用相同的文档页面。]
sklearn.metrics.log_loss 是通常定义的错误度量的实现，并且与大多数错误度量一样，它是一个正数。在这种情况下，它是一个通常被最小化的指标（例如作为回归的均方误差），与最大化的准确性等指标形成对比。
因此，neg_log_loss 是创建效用值的技术细节，它允许优化函数和 类 sklearn 以最大化此效用，而无需更改每个指标的函数行为（例如包括例如名为 cross_val_score、GridSearchCV、RandomizedSearchCV 等）。
确保我做对了：
如果我们单独使用 sklearn.metrics.log_loss，即 log_loss(y_true,y_pred)，它会产生一个正分数——分数越小，效果越好性能。
但是，如果我们使用 'neg_log_loss' 作为评分方案，如“cross_val_score”，则得分为负 - 得分越大，性能越好。
这是因为评分方案与其他评分方案保持一致。由于一般来说越高越好，我们否定通常的log_loss以符合趋势。这样做完全是为了这个目的。这个理解对吗？
[背景：metric.log_loss 得到正面分数，'neg_los_loss' 得到负面分数，并且两者都引用相同的文档页面。]
sklearn.metrics.log_loss 是通常定义的错误度量的实现，并且与大多数错误度量一样，它是一个正数。在这种情况下，它是一个通常被最小化的指标（例如作为回归的均方误差），与最大化的准确性等指标形成对比。
因此，neg_log_loss 是创建效用值的技术细节，它允许优化函数和 类 sklearn 以最大化此效用，而无需更改每个指标的函数行为（例如包括例如名为 cross_val_score、GridSearchCV、RandomizedSearchCV 等）。