Jest to funkcja utraty dwumianowej dewiacji przez 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))))
Ta funkcja strat nie jest podobna dla klasy z 0 i klasy z 1. Czy ktoś może wyjaśnić, jak to jest uważane za OK.
Na przykład, bez wagi próbki, funkcją straty dla klasy 1 jest
-2(pred - log(1 + exp(pred))
vs dla klasy 0
-2(-log(1+exp(pred))
Fabuła dla tych dwóch nie jest podobna pod względem kosztów. Czy ktoś może mi pomóc zrozumieć.
pred
logarytmiczne szanse, funkcja straty jest jednolita dla obu klas.