确保我做对了：
如果我们使用sklearn.metrics.log_loss独立，即log_loss（y_true，y_pred），它会产生一个正分数 - 分数越小，表现越好。
但是，如果我们使用'neg_log_loss'作为'cross_val_score'中的评分方案，则得分为负 - 得分越大，表现越好。
这是因为评分方案的建立与其他评分方案一致。一般来说，越高越好，我们否定通常的 log_loss 与趋势一致。它只是为了这个目的而完成的。这种理解是否正确？
[背景：获得metric.log_loss的正分数和'neg_los_loss'的负分数，并且都指向相同的文档页面。]
答案 0 :(得分：3)
sklearn.metrics.log_loss是通常定义的错误度量的实现，并且与大多数错误度量一样是正数。在这种情况下，它是通常最小化的度量（例如，作为回归的均方误差），与诸如最大化的准确度之类的度量相反。
'neg_log_loss'因此是创建实用程序值的技术性，它允许优化sklearn的函数和类以最大化此实用程序，而无需更改每个度量的函数行为（例如包括名为cross_val_score，GridSearchCV） ，RandomizedSearchCV等。）