scipy.special.xlogy#

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

计算 x*log(y)，以便如果 x = 0，结果为 0。

参数:

x类似数组: 乘数
y类似数组: 参数
outndarray，可选: 函数结果的可选输出数组

返回:

z标量或 ndarray: 计算的 x*log(y)

备注

计算中使用的对数函数是自然对数。

在 0.13.0 版本中添加。

示例

我们可以使用此函数计算二元逻辑损失，也称为二元交叉熵。此损失函数用于二元分类问题，其定义如下

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

我们可以将参数 x 和 y 分别定义为 y 和 y_pred。y 是实际标签的数组，其中可以是 0 或 1。y_pred 是关于正类的预测概率数组（1）。

>>> 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

较小的损失值通常更好，因为它表明预测与实际标签相似。在此示例中，由于我们的预测概率接近实际标签，因此我们获得了一个相当低且适当的总体损失值。