Log Loss計算ツール|二値交差エントロピー

正解ラベル(1/0)と予測確率の列を貼り付けると、二値分類のLog Loss(二値交差エントロピー、対数損失)を計算します。各行の損失と、陽性率を答えるだけの基準予測との比較も表示するので、確率の予測がどれだけ当たっているか、どの行で自信を持って外したかがわかります。

Log Loss(二値交差エントロピー)計算ツール

正解ラベル(1/0)と予測確率の列から、二値分類のLog Loss(交差エントロピー)を計算し、各行の損失も表示します。

使い方

  1. 「正解ラベル」に、陽性なら1、陰性なら0を上から順に入力します。
  2. 「予測確率」に、各データが陽性である確率を0〜1の小数で同じ順番に入力します(%ではありません)。
  3. 「計算する」を押すと、Log Loss・基準予測の値・最も損失が大きい行と、行ごとの損失が表示されます。

計算式

Log Loss = −(1/n) × Σ [ yᵢ × log(pᵢ) + (1 − yᵢ) × log(1 − pᵢ) ]

yᵢ は正解ラベル(1か0)、pᵢ は陽性である予測確率、n はデータ数、log は自然対数です。確率がちょうど0や1だと log(0) になり計算できないため、このツールでは pᵢ を 1e-15 〜 1 − 1e-15 の範囲にクリップ(切り詰め)しています。

計算例

サンプルの正解 1, 0, 1, 1, 0, 0 と予測確率 0.9, 0.2, 0.7, 0.4, 0.1, 0.6 で計算します。

# 正解 予測確率 損失
1 1 0.9 0.1054
2 0 0.2 0.2231
3 1 0.7 0.3567
4 1 0.4 0.9163
5 0 0.1 0.1054
6 0 0.6 0.9163

たとえば4行目は −log(0.4) ≒ 0.9163 です。損失の合計 約2.6231 を6で割ると、Log Loss ≒ 0.4372 になります。陽性率50%を全件に答えた場合は log 2 ≒ 0.6931 なので、それより小さい結果です。

結果の見方

  • Log Lossは0に近いほどよく、確率の予測が正解に近いことを表します。
  • 陽性率をそのまま全件に答える予測と比べ、それより小さければ確率の予測として情報を持っています。
  • 正解なのに低い確率をつけた行(自信を持って外した行)ほど損失が急激に大きくなります。表で損失の大きい行を確認しましょう。

Log Lossと学習の関係

Log Lossは、ロジスティック回帰やニューラルネットワークで二値分類を学習するときの損失関数そのものです。正解の確率をできるだけ高く予測するほど小さくなるので、「確率として正しい予測」を目指すモデルの評価に向いています。コンペティションで評価指標に採用されることも多くあります。

正解率やF1スコアは、しきい値で0か1に分けた後の結果しか見ません。Log Lossは確率の値そのものを評価するため、同じ正解率のモデルでも、確信度のつけ方が適切なモデルを選び分けられます。

注意点

  • 予測確率は0〜1の小数で入力します。70% なら 0.7 です。
  • 確率0や1ちょうどの予測が外れると、クリップしても損失が約34.5と非常に大きくなります。
  • Log Lossは正解率とは別の観点の指標です。しきい値0.5で正解率が同じでも、確率のつけ方によってLog Lossは変わります。
  • 多クラス分類のLog Loss(多クラス交差エントロピー)は、このツールでは扱っていません。

Log Loss(交差エントロピー)のよくある質問

Q. Log Lossと交差エントロピーは同じですか?

A. 二値分類では同じものを指します。予測確率と正解ラベルの交差エントロピーの平均がLog Lossです。

Q. Log Lossはいくつなら良いですか?

A. データの陽性率によって基準が変わります。陽性率をそのまま答えた場合の値(このツールで表示)より十分小さいかで判断するのが目安です。

Q. なぜ確率を1e-15でクリップするのですか?

A. 確率がちょうど0や1だと log(0) が無限大になり計算できないためです。ごく小さな値で置き換えて、計算できるようにしています。