Entropia krzyżowa, znana również jako Log-Loss, to kluczowa funkcja straty stosowana w modelach klasyfikacji probabilistycznej do oceny jakości ich przewidywań. Mierzy ona, jak bardzo przewidywane prawdopodobieństwa przynależności do klas odbiegają od rzeczywistych etykiet binarnych. Im mniejsza wartość tej metryki, tym lepiej model jest dopasowany do danych, przy czym idealny wynik bliski zeru oznacza niemal bezbłędne prognozy. Funkcja ta silnie karze model za pewność siebie w błędnych przewidywaniach, co zmusza go do lepszej kalibracji prawdopodobieństwa podczas procesu uczenia.
Entropia Krzyżowa (Log-Loss)
