正如您正确指出的那样，纯分类器（概率为 1）的对数损失为 0，这是首选情况。

考虑一个以完全随机的方式分配标签的分类器。分配到正确班级的概率为1/M。因此，每个观察的对数损失将为-log(1/M) = log(M). 这与标签无关。

可以将单个观察的对数损失与该值进行比较，以检查分类器在随机分类方面的执行情况。但是，这可能没有多大意义。让我们举个例子。

考虑一个对观察进行错误分类的强大分类器。让我们假设观察实际上属于类“x”，并且属于类的预测概率为 0（几乎）。因此，对数损失的个体和整体价值将为 Inf。这是很常见的，而且大多被忽略了——这是一个观察结果，但它没有评论分类器的整体准确性。但是，我们可以通过 2 种方式来理解这一点： 方法 1：观察结果可能是异常值。删除它并再次运行分类方法2：平滑所有观察（不仅仅是当前观察）的类归属的概率密度函数

注意：如果你关心类归属的预测概率而不仅仅是预测类，我强烈建议你看方法2。它一般在文本检索（语言模型）中研究；它可能与您的情况有关。

加法：e^(-loss) 是正确预测的平均概率。该值可以与随机分类的值进行比较。

根据我对 Log loss 的理解，如果您正在评估观察结果$y_{ij} = 0$然后$y_{ij} \cdot Ln(p_{ij}) = 0$因此这些将减少不包含此标签的每个实例的日志损失值。

如果$p_{ij}$即使是高$y_{ij} = 0$它不会影响当前类的对数损失，但推测正确类的预测会相应较低，导致该类的对数损失更高并增加$\sum_{j}^{M}F_i$

因此，我希望您应该避免口译$F_i$单独，因为它不会考虑误报。