假设我有两个基于二进制 0/1 数据训练的逻辑回归模型。目标是将连续值预测为属于正类_1（例如“非垃圾邮件”/“垃圾邮件”）的给定示例的置信度得分。

为了清楚起见，至少在问题的背景下，我不认为逻辑回归是一种分类方法。

两者在准确性和 f1_score 方面都表现良好。但是，我想根据持续评分而不是二元准确性来评估和比较它们。我的理解二进制准确性是邪恶的。

尽管这些模型可以预测分数，但连续量的分布和行为可能与期望的不匹配。

例如，通过给定的观察与 class_1 有一些相似性，这些模型（A 和 B）可能分别产生 0.01 和 0.4 的分数。尽管双方都同意并正确将该样本分类为 class_0，但我更喜欢模型 B，因为更好地反映了样本对 class_1 的趋势（距离）。我会手动估计该样本为 0.4999。

我正在寻找的是作为与正类_1的距离的损失/度量

| y_label_prob - y_hat_prob | -> Huge loss

而不仅仅是错误分类

| y_label_class - y_hat_class | --> No loss

不幸的是，我没有连续标签（y_label_prob）来进行纯回归。如果我有，我可以计算平方误差。相反，我训练了多个二元分类器并将它们的分数均值用作连续标签。

通过使用 0/1 标签来评估关于连续数量的性能可能有什么建议？