對數損失（log loss）

準確率只問模型答對沒答對。對數損失問的是更深的東西：它當時有多自信，而那份自信又配不配得上？一個說「90%會下雨」、結果真下了的模型，理應比一個含糊地說「55%」的模型得分更高。對數損失獎勵「既正確又恰如其分地確信」，並且對「自信地犯錯」懲罰得極其殘酷。

機制是這樣的。對每個樣本，對數損失會去看「模型分配給那個實際發生了的答案的機率」，然後加上一個懲罰，其大小等於該機率的負對數。給真實結果分配0.99，懲罰就微乎其微；給它分配0.01，懲罰就大得嚇人。這些懲罰的平均，就是對數損失——越低越好，一個完美且完美自信的模型會得0分。

只要你在乎的是機率而不只是標籤——天氣、醫療風險、廣告點擊——對數損失就是自然而然的評分準則。它最鋒利的特性，也是它最鋒利的危險：因為「自信地錯了」的懲罰會衝向無窮大，單單一個傲慢而大錯特錯的預測（比如給一件沒發生的事打0.999），就能毀掉你的整個分數。而這恰恰是它推動模型走向誠實、校準良好的機率，而非魯莽過度自信的原因。