第11回 機械学習の評価関数（二値分類／多クラス分類用）を理解しよう

評価関数については今回で最後となるので、ぜひ頑張って今回の分まで読み終えて、機械学習／ディープラーニングにおける代表的な評価関数を一通り押さえてほしい。本稿の最後では、TensorFlow／Keras（tf.keras）のcompile()＆fit()メソッドを使った場合に「評価」を実行するための基本的な方法も紹介する。 二値分類用［応用編］（Binary classification） 今回のLogLossとAUCは前々回と前回ほど評価関数の数式がシンプルではない。少し回り道になってしまうが、数式の意味をより深く理解するために、順序立ててグラフなどを示しながら説明していくのでお付き合いいただけるとうれしい。 LogLoss（Binary Logarithmic Loss） 前回は二値分類用の正解率を解説した。正解率の場合、モデルからの出力結果は（基本的に）陽性（Positive、正例、例

[Aobei]

logloss、交差エントロピーについて。異なるデータセットを使って機械学習モデルをLogLossにより比較することはできない。AUCは陽性と陰性のデータバランスが悪い時に注意。

[misshiki]

“二値分類用の「LogLoss」「AUC」「PR-AUC」を、さらに多クラス分類用の「正解率」「LogLoss」を説明”