Считает среднюю логарифмическую потерю бинарных прогнозов при одной заданной вероятности внутри каждой фактической группы.
</>быстрый расчёт онлайн
Введите данные
Данные не отправляются на сервер
Результат
Средняя логарифмическая потеря0,219973бит/наблюдение
Перплексия бинарного прогноза1,1647
Энтропия постоянного эмпирического прогноза0,971 бит/наблюдение
Формула
Как считается результат
Бинарная потеря −[y log2p+(1−y)log2(1−p)]. При одинаковых p+ в положительной группе и p− в отрицательной L=−[n+log2p++n−log2(1−p−)]/N. Перплексия 2^L, а базовая потеря постоянного прогноза p=n+/N равна H2(p).
Пример с тестовыми данными
Число фактических положительных исходов: 40; Число фактических отрицательных исходов: 60; Вероятность события для всех положительных: 0,8; Вероятность события для всех отрицательных: 0,1
Средняя логарифмическая потеря: 0,219973094 бит/наблюдение; Перплексия бинарного прогноза: 1,164711865; Энтропия постоянного эмпирического прогноза: 0,9709505945 бит/наблюдение
О расчёте
Как пользоваться калькулятором
Считает среднюю логарифмическую потерю бинарных прогнозов при одной заданной вероятности внутри каждой фактической группы.
Бинарная потеря −[y log2p+(1−y)log2(1−p)]. При одинаковых p+ в положительной группе и p− в отрицательной L=−[n+log2p++n−log2(1−p−)]/N. Перплексия 2^L, а базовая потеря постоянного прогноза p=n+/N равна H2(p).
01
Подготовьте данные
Используйте исходные величины именно для рассматриваемого случая: число фактических положительных исходов; число фактических отрицательных исходов; вероятность события для всех положительных; вероятность события для всех отрицательных.
02
Проверьте единицы и условия
Две группы одной бинарной задачи, равный вес наблюдений и строго внутренние вероятности без скрытого обрезания. Нет оценки калибровки или доверительных границ; высокий score на обучении не подтверждает качество на новых данных. Это не клинический или финансовый прогноз.
03
Прочитайте результат
В обеих вероятностных строках задаётся шанс события y=1: для отрицательных наблюдений хорошо, когда p− мал. Если прогнозы внутри группы разные, нельзя подставить их арифметическое среднее: нужен средний логарифм либо индивидуальные наблюдения.
Подробное объяснение
Как читать результат
Расшифровка показателей, пример вычисления и ограничения метода — без лишних терминов.
01
Что означают результаты
В обеих вероятностных строках задаётся шанс события y=1: для отрицательных наблюдений хорошо, когда p− мал. Если прогнозы внутри группы разные, нельзя подставить их арифметическое среднее: нужен средний логарифм либо индивидуальные наблюдения.
02
Когда модель применима
Две группы одной бинарной задачи, равный вес наблюдений и строго внутренние вероятности без скрытого обрезания. Нет оценки калибровки или доверительных границ; высокий score на обучении не подтверждает качество на новых данных. Это не клинический или финансовый прогноз.
Разбор по шагам
Пример расчёта
Пример 1
Исходные данные
Число фактических положительных исходов: 40; Число фактических отрицательных исходов: 60; Вероятность события для всех положительных: 0,8; Вероятность события для всех отрицательных: 0,1
Вычисление
Бинарная потеря −[y log2p+(1−y)log2(1−p)]. При одинаковых p+ в положительной группе и p− в отрицательной L=−[n+log2p++n−log2(1−p−)]/N. Перплексия 2^L, а базовая потеря постоянного прогноза p=n+/N равна H2(p). Средняя логарифмическая потеря: (-((40) × ln((0,8))+(60) × ln(1-(0,1))) ÷ ((40)+(60)) ÷ ln(2)) = 0,219973094 бит/наблюдение. Перплексия бинарного прогноза: 2^(-((40) × ln((0,8))+(60) × ln(1-(0,1))) ÷ ((40)+(60)) ÷ ln(2)) = 1,164711865. Энтропия постоянного эмпирического прогноза: (-(xlogx((40) ÷ ((40)+(60)))+xlogx(1-((40) ÷ ((40)+(60)))))) ÷ ln(2) = 0,9709505945 бит/наблюдение.
Результат
Средняя логарифмическая потеря: 0,219973094 бит/наблюдение; Перплексия бинарного прогноза: 1,164711865; Энтропия постоянного эмпирического прогноза: 0,9709505945 бит/наблюдение
В обеих вероятностных строках задаётся шанс события y=1: для отрицательных наблюдений хорошо, когда p− мал. Если прогнозы внутри группы разные, нельзя подставить их арифметическое среднее: нужен средний логарифм либо индивидуальные наблюдения.
Пример 2
Исходные данные
Число фактических положительных исходов: 40; Число фактических отрицательных исходов: 60; Вероятность события для всех положительных: 0,5; Вероятность события для всех отрицательных: 0,5
Средняя логарифмическая потеря: 1 бит/наблюдение; Перплексия бинарного прогноза: 2; Энтропия постоянного эмпирического прогноза: 0,9709505945 бит/наблюдение
Этот вариант использует другие исходные данные: Вероятность события для всех положительных — 0,5; Вероятность события для всех отрицательных — 0,5. В обеих вероятностных строках задаётся шанс события y=1: для отрицательных наблюдений хорошо, когда p− мал. Если прогнозы внутри группы разные, нельзя подставить их арифметическое среднее: нужен средний логарифм либо индивидуальные наблюдения.
Формула и обозначения
Бинарная потеря −[y log2p+(1−y)log2(1−p)]. При одинаковых p+ в положительной группе и p− в отрицательной L=−[n+log2p++n−log2(1−p−)]/N. Перплексия 2^L, а базовая потеря постоянного прогноза p=n+/N равна H2(p).
positives — число фактических положительных исходов.
negatives — число фактических отрицательных исходов.
positiveprob — вероятность события для всех положительных.
negativeprob — вероятность события для всех отрицательных.
Практическое применение
Считает среднюю логарифмическую потерю бинарных прогнозов при одной заданной вероятности внутри каждой фактической группы. Бинарная потеря −[y log2p+(1−y)log2(1−p)]. При одинаковых p+ в положительной группе и p− в отрицательной L=−[n+log2p++n−log2(1−p−)]/N. Перплексия 2^L, а базовая потеря постоянного прогноза p=n+/N равна H2(p).
В обеих вероятностных строках задаётся шанс события y=1: для отрицательных наблюдений хорошо, когда p− мал. Если прогнозы внутри группы разные, нельзя подставить их арифметическое среднее: нужен средний логарифм либо индивидуальные наблюдения.
Частые ошибки
Используйте исходные величины именно для рассматриваемого случая: число фактических положительных исходов; число фактических отрицательных исходов; вероятность события для всех положительных; вероятность события для всех отрицательных.
Две группы одной бинарной задачи, равный вес наблюдений и строго внутренние вероятности без скрытого обрезания. Нет оценки калибровки или доверительных границ; высокий score на обучении не подтверждает качество на новых данных. Это не клинический или финансовый прогноз.
Источники и допущения
Основание расчёта
Метод, правило или ставка сверены с указанным источником. Последняя проверка этой реализации: 2026-09-30.
Две группы одной бинарной задачи, равный вес наблюдений и строго внутренние вероятности без скрытого обрезания. Нет оценки калибровки или доверительных границ; высокий score на обучении не подтверждает качество на новых данных. Это не клинический или финансовый прогноз.
Используйте исходные величины именно для рассматриваемого случая: число фактических положительных исходов; число фактических отрицательных исходов; вероятность события для всех положительных; вероятность события для всех отрицательных.
В обеих вероятностных строках задаётся шанс события y=1: для отрицательных наблюдений хорошо, когда p− мал. Если прогнозы внутри группы разные, нельзя подставить их арифметическое среднее: нужен средний логарифм либо индивидуальные наблюдения.
Как проверить расчёт на конкретном примере?＋
Число фактических положительных исходов: 40; Число фактических отрицательных исходов: 60; Вероятность события для всех положительных: 0,8; Вероятность события для всех отрицательных: 0,1. Средняя логарифмическая потеря: 0,219973094 бит/наблюдение; Перплексия бинарного прогноза: 1,164711865; Энтропия постоянного эмпирического прогноза: 0,9709505945 бит/наблюдение. Бинарная потеря −[y log2p+(1−y)log2(1−p)]. При одинаковых p+ в положительной группе и p− в отрицательной L=−[n+log2p++n−log2(1−p−)]/N. Перплексия 2^L, а базовая потеря постоянного прогноза p=n+/N равна H2(p).
Какие ограничения есть у метода?＋
Две группы одной бинарной задачи, равный вес наблюдений и строго внутренние вероятности без скрытого обрезания. Нет оценки калибровки или доверительных границ; высокий score на обучении не подтверждает качество на новых данных. Это не клинический или финансовый прогноз.
Можно ли изменить исходные данные и сравнить варианты?＋
Да. В обеих вероятностных строках задаётся шанс события y=1: для отрицательных наблюдений хорошо, когда p− мал. Если прогнозы внутри группы разные, нельзя подставить их арифметическое среднее: нужен средний логарифм либо индивидуальные наблюдения. Сравнивайте варианты в одинаковых единицах и при неизменных допущениях: Две группы одной бинарной задачи, равный вес наблюдений и строго внутренние вероятности без скрытого обрезания. Нет оценки калибровки или доверительных границ; высокий score на обучении не подтверждает качество на новых данных. Это не клинический или финансовый прогноз.