scipy.special.xlogy#

scipy.special.xlogy(x, y, out=None) = <ufunc 'xlogy'>#

計算 x*log(y)，使得當 x = 0 時結果為 0。

參數:

xarray_like: 乘數
yarray_like: 引數
outndarray, optional: 函數結果的可選輸出陣列

返回:

z純量或 ndarray: 計算出的 x*log(y)

註解

計算中使用的 log 函數為自然對數。

在版本 0.13.0 中新增。

範例

我們可以使用此函數來計算二元邏輯損失，也稱為二元交叉熵。此損失函數用於二元分類問題，定義如下

\[L = 1/n * \sum_{i=0}^n -(y_i*log(y\_pred_i) + (1-y_i)*log(1-y\_pred_i))\]

我們可以將參數 x 和 y 分別定義為 y 和 y_pred。y 是實際標籤的陣列，在此處可以是 0 或 1。y_pred 是相對於正類別 (1) 的預測機率陣列。

>>> import numpy as np
>>> from scipy.special import xlogy
>>> y = np.array([0, 1, 0, 1, 1, 0])
>>> y_pred = np.array([0.3, 0.8, 0.4, 0.7, 0.9, 0.2])
>>> n = len(y)
>>> loss = -(xlogy(y, y_pred) + xlogy(1 - y, 1 - y_pred)).sum()
>>> loss /= n
>>> loss
0.29597052165495025

損失越低通常越好，因為它表示預測與實際標籤相似。在此範例中，由於我們的預測機率接近實際標籤，因此我們獲得的總體損失是相當低且適當的。