scipy.special.xlogy#

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

计算 x*log(y)，以便在 x = 0 时结果为 0。

参数:
xarray_like

乘数

yarray_like

参数

outndarray, optional

用于函数结果的可选输出数组

返回值:
z标量或 ndarray

计算得到的 x*log(y)

注释

计算中使用的对数函数是自然对数。

添加于 0.13.0 版本。

xlogy 除了 NumPy 之外，还实验性地支持与 Python Array API 标准兼容的后端。 请考虑通过设置环境变量 SCIPY_ARRAY_API=1 并提供 CuPy、PyTorch、JAX 或 Dask 数组作为数组参数来测试这些功能。 支持以下后端和设备（或其他功能）的组合。

库

CPU

GPU

NumPy

✅

不适用

CuPy

不适用

✅

PyTorch

✅

✅

JAX

✅

✅

Dask

✅

不适用

有关更多信息，请参阅 对数组 API 标准的支持。

示例

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

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

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，此处可以为 0 或 1。 y_pred 是相对于正类 (1) 的预测概率数组。

>>> 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

较低的损失通常更好，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，因此我们获得的总体损失相当低且适当。

在此页面上