Это функция биномиального отклонения Scikit GradientBoosting,
def __call__(self, y, pred, sample_weight=None):
"""Compute the deviance (= 2 * negative log-likelihood). """
# logaddexp(0, v) == log(1.0 + exp(v))
pred = pred.ravel()
if sample_weight is None:
return -2.0 * np.mean((y * pred) - np.logaddexp(0.0, pred))
else:
return (-2.0 / sample_weight.sum() *
np.sum(sample_weight * ((y * pred) - np.logaddexp(0.0, pred))))
Эта функция потери не похожа между классом с 0 и классом с 1. Может кто-нибудь объяснить, как это считается нормальным.
Например, без выборочного веса функция потерь для класса 1
-2(pred - log(1 + exp(pred))
против класса 0
-2(-log(1+exp(pred))
Сюжет для этих двух не похожи по стоимости. Может ли кто-нибудь помочь мне понять.
pred
лог-коэффициентами, функция потерь одинакова для обоих классов.