当您的模型输出是二元结果的概率时，对数损失是一种适当的性能度量。

在评估如何惩罚错误分类时，对数损失度量会考虑预测的置信度。例如，考虑对结果 P(Y=1|X) 的两个预测，其中预测分别为 0.51 和 0.99。在前一种情况下，模型对类预测只有一点信心（假设截止值为 0.5），而在后一种情况下，它非常有信心。由于在我们的例子中，两者都是错误的，因此通过使用对数损失惩罚，对于更自信（但不正确）的预测，惩罚将更加严厉。

如果你想要一个好的概率估计来惩罚错误的极端值，那么 logloss 可以做到这一点。

阅读更多关于理解对数损失的信息。

对数损失会严重惩罚对错误分类有信心的分类器。例如，如果对于特定的观察，分类器将非常小的概率分配给正确的类，那么对 Log Loss 的相应贡献确实会非常大。自然，这将对分类器的整体 Log Loss 产生重大影响。底线是，犯一些错误总比严重错误好。当然，完全正确总是更好，但这在实践中很少能实现！