catboost 中的 Mlogloss 值开始为负值并增加
Mlogloss value in catboost starts negative and increases
我是 运行 带有 catboost 使用设置的 catboost 分类器：
model = CatBoostClassifier(iterations=1000, learning_rate=0.05, depth=7, loss_function='MultiClass',calc_feature_importance=True)
我有 5 个 类，它从 -ve 值开始，并在拟合模型时如下增加：
0: learn: -1.5036342 test: -1.5039740 best: -1.5039740 (0) total: 18s remaining: 4h 59m 46s
1: learn: -1.4185548 test: -1.4191364 best: -1.4191364 (1) total: 37.8s remaining: 5h 14m 24s
2: learn: -1.3475387 test: -1.3482641 best: -1.3482641 (2) total: 56.3s remaining: 5h 12m 1s
3: learn: -1.2868831 test: -1.2877465 best: -1.2877465 (3) total: 1m 15s remaining: 5h 12m 32s
4: learn: -1.2342138 test: -1.2351585 best: -1.2351585 (4) total: 1m 34s remaining: 5h 13m 56s
这是正常行为吗？而在大多数机器学习算法中，logloss 是正的并且随着训练而降低。我在这里错过了什么？
是的，这是正常行为。
当您在模型的参数中指定 loss_function='MultiClass' 时，它会使用另一个损失函数来进行优化，而不是 LogLoss。可以找到定义here.
要理解那个函数的符号，你可以想想最好的情况和最坏的情况。在最好的情况下，对象 ai 的目标函数值全部集中在正确的 class t，因此 log 中的分数（在链接页面的公式中）等于 1，而 log将为 0。但是，当您偏离最佳情况时，log 中的分数将减少到 0，并且 log 本身会越来越消极了。
我是 运行 带有 catboost 使用设置的 catboost 分类器：
model = CatBoostClassifier(iterations=1000, learning_rate=0.05, depth=7, loss_function='MultiClass',calc_feature_importance=True)
我有 5 个 类，它从 -ve 值开始，并在拟合模型时如下增加：
0: learn: -1.5036342 test: -1.5039740 best: -1.5039740 (0) total: 18s remaining: 4h 59m 46s
1: learn: -1.4185548 test: -1.4191364 best: -1.4191364 (1) total: 37.8s remaining: 5h 14m 24s
2: learn: -1.3475387 test: -1.3482641 best: -1.3482641 (2) total: 56.3s remaining: 5h 12m 1s
3: learn: -1.2868831 test: -1.2877465 best: -1.2877465 (3) total: 1m 15s remaining: 5h 12m 32s
4: learn: -1.2342138 test: -1.2351585 best: -1.2351585 (4) total: 1m 34s remaining: 5h 13m 56s
这是正常行为吗？而在大多数机器学习算法中，logloss 是正的并且随着训练而降低。我在这里错过了什么？
是的，这是正常行为。
当您在模型的参数中指定 loss_function='MultiClass' 时，它会使用另一个损失函数来进行优化，而不是 LogLoss。可以找到定义here.
要理解那个函数的符号，你可以想想最好的情况和最坏的情况。在最好的情况下，对象 ai 的目标函数值全部集中在正确的 class t，因此 log 中的分数（在链接页面的公式中）等于 1，而 log将为 0。但是，当您偏离最佳情况时，log 中的分数将减少到 0，并且 log 本身会越来越消极了。