Ын Анналин, Су Кеннет

Логарифмическая функция потерь. При работе с бинар-
ными и категориальными переменными предсказания 
обычно выражаются в виде вероятности того, что поку-
патель купит рыбу. Чем ближе вероятность к 100 %, тем 
увереннее модель в том, что покупатель купит рыбу. Ло-
гарифмическая функция потерь использует эту уверен-
ность модели для того, чтобы штрафовать за ошибочные 
прогнозы: чем выше уверенность, тем больше штраф.
На рис. 2 показано, что штраф резко увеличивается, как 
только модель достигает определенной степени уверен-
ности. Например, если модель предсказывает, что по-

---

186
Приложения
купатель купит рыбу с вероятностью 80 %, но оказалось, 
что он не купил, то штраф составит 0,7 единиц. Если же 
модель была уверена на 99 %, то штраф увеличивается 
до 2 единиц.
0
2
4
6
8
10
12
14
0
10 20 30 40 50 60 70 80 90 100
Штра
ф
Уверенность в ошибочном прогнозе, %
Рис. 2. Логарифмическая функция потерь возрастает 
параллельно уверенности модели при ошибочном прогнозе
Из-за своей способности соотносить штрафы с уверен-
ностью модели при прогнозе логарифмическая функция 
потерь широко используется в случаях, где ошибочные 
прогнозы весьма критичны.
Метрики регрессии
Средняя абсолютная ошибка (Mean Absolute Error, 
MAE). Простой способ оценки моделей регрессии заклю-
чается в том, чтобы штрафовать за все ошибки одинаково, 
вычислив среднее отклонение между предсказанным 

---

Приложение D. Другие метрики оценки
187
и действительным значением для всех элементов данных. 
Эта метрика называется средней абсолютной ошибкой.