ログロスの直感的な説明

いくつかのkaggleコンテストでは、採点は「ログロス」に基づいていました。これは分類エラーに関連しています。

ここに技術的な答えがありますが、私は直感的な答えを探しています。私はマハラノビス距離に関するこの質問への回答が本当に好きでしたが、PCAは対数損失ではありません。

私の分類ソフトウェアが提供する値を使用することはできますが、私はそれを本当に理解していません。真/偽陽性/陰性率の代わりになぜそれを使用するのですか？これを私の祖母や現場の初心者に説明できるように手伝ってくれませんか。

私も引用を気に入って同意します：

祖母に説明できない限り、あなたは本当に何かを理解していません
-アルバート・アインシュタイン

ここに投稿する前に、自分でこれに答えてみました。

私が直感的または本当に役に立たなかったリンクは次のとおりです。

• http://www.r-bloggers.com/making-sense-of-logarithmic-loss/
• https://www.quora.com/What-is-an-intuitive-explanation-for-the-log-loss-function
• https://lingpipe-blog.com/2010/11/02/evaluating-with-probabilistic-truth-log-loss-vs-0-1-loss/
• https://www.kaggle.com/wiki/LogarithmicLoss

これらは有益で正確です。これらは技術的な読者を対象としています。彼らは簡単な絵を描いたり、簡単でアクセス可能な例を与えたりしません。彼らは私の祖母のために書かれていません。

ログロスは、すべての確率の積の対数です。アリスが予測したとしましょう：

• 確率0.2で、ジョンはジャックを殺します
• 確率0.001で、メアリーはジョンと結婚します
• 確率0.01で、ビルは殺人者です。

メアリーはジョンと結婚しなかったことが判明し、ビルは殺人者ではなかったが、ジョンはジャックを殺した。アリスによると、確率の積は0.2 * 0.999 * 0.99 = 0.197802です。

ボブは予測しました：

• 確率0.5で、ジョンはジャックを殺します
• 確率0.5で、メアリーはジョンと結婚します
• 確率0.5で、ビルは殺人者です。

積は0.5 * 0.5 * 0.5 = 0.125です。

アリスはボブよりも優れた予測因子です。